UPLOAD_WORKFLOW — 捕获与分发工作流¶

元信息 ｜状态：现行有效｜最后更新：2026-08-05 ｜范围：用户输入从进入到落库的完整链路｜关联：GRAPH、ADR-0020

配套 GRAPH.md 与 ADR-0020。描述一次用户输入从进入到落库的完整链路：4 层分发（L0–L3） + Mode A 捕获家族 + Mode B 组装/查询。对应产品侧工作流见求职助理用户流程 PRD（工作流一至十五）。

1. 总览¶

用户输入 ──▶ [L0 模态] ──▶ [L1 声明式预筛] ──▶ [L2 LLM 模糊回路] ──▶ 选中 Domain Graph
                                                                      │
        ┌─────────────────────────────────────────────────────────────┘
        ▼
  Domain Graph（Node 经 Edge 串联）
   ├─ 跨域 subgraph：memory / capture / chat（常驻，任意图可调用）
   └─ 捕获类 Node 跑完 → pending_actions（dry_run 预览）→ interrupt
        │
        ▼
  [L3 回流] 客户端渲染 ui_intent → 用户确认/纠错 → resume → ActionExecutor 落库

2. 4 层分发（L0–L3）¶

个人管家场景的输入高度口语化、跨领域、常复合（"昨天跟 Sarah 看了《奥本海默》顺便练了会儿吉他"）。分发必须快路径确定性 + 模糊路径智能。

层	名称	做什么	触发条件
L0	模态归一化	text / link / image / audio → 统一 `SkillInput`；音频转写、图片 OCR/VLM 抽取	所有输入入口
L1	声明式预筛	`registry.select()` 按关键词 / URL / 模态 / priority 打分，高置信直接命中 Domain Graph	信号明确（如招聘 URL → job 图）
L2	LLM 模糊回路	仅当 L1 实体命中模糊/复合时，进一次 LLM 分类器，判定走哪个 Domain Graph + 意图	L1 置信度低或跨域复合
L3	回流	用户纠错 / 补信息后，回到对应 Graph 重跑对应 Node	确认阶段用户修改

为什么混合：纯声明式（L1 only）对口语模糊输入太弱；纯 LLM（L2 only）每次多一次调用且非确定。混合 = L1 快路径 + L2 仅模糊回落，契合 ADR-0012「LangGraph 之上极薄 runtime」。

L2 分类器输出示例¶

{ "domain": "media", "intent": "add_work", "entities": { "title": "奥本海默", "kind": "movie" },
  "also": [ {"domain":"habit","intent":"log_habit","entities":{"name":"吉他"}} ] }

复合输入可被拆成多个领域意图，分别进入各自 Domain Graph（共享 person/location 基座自然去重）。

3. Mode A：捕获家族（由分发选择 Node）¶

领域	Node	落点
job	`extract_job` `capture_experience` `record_application` `record_interaction` `generate_resume` `interview_log`	求职包各表
habit	`log_habit`（打卡，可挂 `location_id`）	`habit` / `habit_log`
media	`add_work`（书/影/剧/游戏，可挂 `location_id`）`write_review`	`work_item` / `review`
progress	`log_progress`（vlog/项目）`plan_trip` `log_trip_day`（按天挂 `location_id`）	`project` / `progress_log` / `trip_day`
跨域	`capture_memory`（兜底，自由内容→`memory`）`capture_note`	`memory` / `note`

自由内容无明确领域匹配时，回退 capture_memory（替代原 capture_note 兜底）。

4. Mode B：组装 / 查询（基于已有数据）¶

不进入捕获流，而是基于已落库数据组装或查询：

改简历 / 生成文档：generate_resume 读 document_version + document_version_fact，套 resume_asset 模板编译。
技能匹配查询（三大类）：① 哪些岗位需要我的技能 X；② 我凭技能 X 能投哪些岗位；③ 我的技能 vs 岗位要求匹配度（matched/gap）—— 全靠 user_skill ⋈ skill ⋈ position_requirement 三表 JOIN。
查截止 / 进度 / 旅行足迹：跨领域查询，靠共享 location / person 基座 JOIN。
主动提醒（Nudge）：nudge_rule 定时扫描生成 nudge 实例，与用户手设 reminder 分表不混。

5. 跨域 Subgraph（常驻）¶

memory / capture / chat 三个 subgraph 不属于任何 Domain Graph，由外层 router 或任意图 add_subgraph 复用：

chat：把双方对话写入 chat_message / chat_thread（记忆底座）。
capture：多模态附件落 attachment，语音/截图经 experience_source / application_evidence 挂接。
memory：从输入/对话抽取结构化 memory（事实/偏好/意图/上下文），供后续召回。

6. 关键不变量¶

脏数据不入库：捕获类 Node 只推 pending_actions，经 interrupt/resume 确认后才由 ActionExecutor 落库。
Action 唯一写入口：Graph/Node 不直接写 DB。
共享基座去重：跨领域实体（person/location/organization/skill）走共享表，不重复建。
无头引擎：Graph 只产出 state + ui_intent，客户端形态（小程序/网页/APP/硬件）不影响引擎。