fix(langchain-chat): R1 思考过程显示 + 选题推荐放宽 + RAG 诊断日志

三个独立修复 / 排查:

1. R1 思考过程不显示
   - 根因: chat_test.py 等 <think> 开标签出现才进思考态，但 R1
     流式输出本来就在 reasoning 态启动，永远不出 <think>，所有
     reasoning 全部当 text 走到答案区
   - 修法: 引入 r1_thinking_done 状态机，默认在思考态，
     看到 </think> 切换；R1-70B 直连本地代理 deepseek-r1
     （官方 deepseek-reasoner 把 reasoning 放独立字段，旧版
     callback 取不到）
   - 结果验证: "1+1" → 269 think + 40 text，思考与答案正确分流

2. 选题推荐场景拒答 + chat 模板标记泄漏
   - 根因: prompt 写死了 "你只能回答有关选题推荐的问题"
     + 直接嵌入 <|im_start|>/<|im_end|> Qwen chat 标记
   - 修法: 改写 Topic Recommend Assistant prompt，删 chat 标记，
     行为准则改为"沾边查询用工具回答"；agent_v2 增加 strip
     防守层
   - 结果验证: "钢铁行业研究重点方向" → agent 调工具，不再拒答

3. 知识库召回 0 排查（数据问题，未根治）
   - 根因: kb_config.py 把所有 KB（政策库/钢铁库/报告库等）
     都映射到 t_policy_total_bge_new_v2，但 Milvus 里根本没有
     这个 collection（实际只有 11 个 p_* 个人库 + 1 个
     t_journal_article_bge_v1）
   - 临时改: search_tool.py 加诊断日志 [RAG诊断] 输出每个 KB
     召回数；rag_search 内 for 循环里首个 KB 空就 return 的
     bug 改 continue
   - 待决策: kb_config 是否把默认 KB 映射到唯一存在的
     t_journal_article_bge_v1，或重建对应集合

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

langchain-chat/server/chat/agent_v2.py

@@ -12,6 +12,7 @@ LangGraph 版 Agent runner。
 import asyncio
 import json
 import logging
+import re
 from typing import AsyncIterable, List, Optional
 
 from langgraph.prebuilt import create_react_agent
@@ -26,10 +27,20 @@ from server.chat.tools_v2 import make_tools
 logger = logging.getLogger(__name__)
 
 
+_CHAT_MARKER_RE = re.compile(r"<\|im_(?:start|end)\|>")
+
+
+def _strip_chat_markers(text: str) -> str:
+    """剥掉 prompt 内嵌的 Qwen chat template 标记，避免模型 echo 泄漏到答案。"""
+    return _CHAT_MARKER_RE.sub("", text or "")
+
+
 def _build_system_prompt(user_prompt_name: str, query: str, think_content: str) -> str:
     """复用旧版 Think Test Bak + 用户业务 prompt 的拼装逻辑，但简化为单条 system message。"""
-    base = get_prompt_template("agent_chat", "Think Test Bak")
     user = get_prompt_template("llm_chat", user_prompt_name) if user_prompt_name else ""
+    user = _strip_chat_markers(user)
+    think_content = _strip_chat_markers(think_content)
+
     parts = []
     parts.append("你是浪潮开发的智能专家。回答用户问题前可以使用工具检索资料。")
     parts.append("严格要求：")