feat(knowledge): 产品知识拆到表格行级，并按问句选粒度

问题（客户实测反馈）：同一会话里问「季季盈90天起投多少」和「那它风险高吗」，两次回答
**一模一样**——都是整个产品小节的表格。客户问的是风险，收到的是整张说明书，看起来像
客服没听懂问题。

根因是切分粒度：原来"一个叶子标题 = 一块"，产品手册里就是整个产品小节（表格 + 说明）
成一块。这既让两个不同的问题命中同一块，也让整节几百字的向量成了"整节的混合语义"，
与"起投多少"这种具体小问题相似度天然偏低（实测该问句向量 top1 仅 0.6291，够不到 0.75
硬门槛，只能靠与次优的差值勉强通过）。

改动三处：
1. 切分：Markdown 表格的每一行额外生成一个**自解释**的小块（"南方季季盈90天：起投金额
   1万元"），挂在父块 doc_id 下（PROD-007-04），父块照旧保留。知识块 160 → 631。
   效果：该问句的命中分从 0.6291 升到 0.869，命中的正是"起投金额"那一行。
2. 检索：命中行级子块时把它的整节父块一并带回（分数按 0.9 折算），供调用方按问句选粒度。
   整节块保底占最后一个名额，且不参与 top1/top2 判定——实测它挤到第 2 位会把 gap 从
   0.090 压到 0.076，几乎跌破 0.07 的转人工门槛。
3. 客服：命中的是行级子块时，看问句与子块标签是否真的对得上——「起投多少」对「起投金额」
   对得上，用那一行；「介绍一下」对不上，换成整节。

过程中两次判据写错并已修正（都固化进了测试）：用"含连字符"认子块时，整节块自己的编号
PROD-901 被误判成子块；用"不含两位数字后缀"认整节块时，FAQ 块全被误判成整节块排到后面，
把正确答案挤出 top1、害得「基金赎回几天到账」转人工。

验证：起投/管理费等字段问法给出聚焦的单行答案；"介绍一下"给出整节；FAQ 与政策问法不受
影响（换话题、指代追问等此前修好的场景复测通过）；
ruff / mypy(113 文件) / 468 unit+contract / 29 integration 全绿。

app/service/agent/implementations/customer_service.py

@@ -15,6 +15,8 @@
 ｜`chitchat` → 模型生成（提示词走发布配置）｜其余与异常 → 引导人工客服
 """
 
+from typing import Any
+
 from app.core.contracts import (
     AgentDefinition,
     AgentRequest,
@@ -146,6 +148,9 @@ class CustomerServiceAgent(BaseAgent):
         if not confident and not (score >= MID_SCORE and gap >= MIN_GAP):
             return self._guide_to_human(f"置信度不足：score={score:.3f} gap={gap:.3f}")
 
+        # 命中的是行级子块时，先分辨客户问的是"某个字段"还是"整个产品"：
+        # 子块让「起投多少」拿到聚焦答案，但「介绍一下」会被某一行抢答。
+        best = self._prefer_section(request.message, best, hits)
         content = str(best.get("content") or "").strip()
         if not content:
             return self._guide_to_human("命中内容为空")
@@ -162,6 +167,35 @@ class CustomerServiceAgent(BaseAgent):
             intent=self._classified_intent,
         )
 
+    @staticmethod
+    def _prefer_section(message: str, best: dict[str, Any], hits: list[Any]) -> dict[str, Any]:
+        """客户问整个产品时，用整节块替换掉抢答的那一行。
+
+        行级子块是为了让「起投多少」拿到聚焦答案，但「介绍一下」会被某一行抢答
+        （实测返回了"产品期限 90天封闭期"，而客户要的是整个产品）。
+
+        判据不用问句分类器，而是看问句与子块标签是否真的对得上。标签取自子块的
+        section 末段（"起投金额""风险等级"）：「起投多少」含"起投"、「风险高吗」含"风险"，
+        都算对得上；「介绍一下」与任何标签都不重合，说明客户要的是整节。
+
+        父块由检索层按子块分数的 0.9 折算后一并带回。万一没带回来就仍用子块——
+        宁可答得窄一点，也不要拿不相干的块去搪塞。
+        """
+        doc_id = str(best.get("doc_id") or "")
+        # 末段恰为 2 位数字才是行级子块（PROD-007-04）；整节块自己的编号形如 PROD-901，
+        # 用"含连字符"判断会把整节块误判成子块。
+        parent_id, _, tail = doc_id.rpartition("-")
+        if not (parent_id and tail.isdigit() and len(tail) == 2):
+            return best  # 命中的本来就是整节
+        # 标签取自子块 title 的末段（title 由 " · " 连接），如"起投金额""风险等级"
+        label = str(best.get("title") or "").split(" · ")[-1].strip()
+        if label and label[:2] in message:
+            return best  # 客户问的正是这个字段
+        for hit in hits:
+            if isinstance(hit, dict) and str(hit.get("doc_id") or "") == parent_id:
+                return hit
+        return best
+
     # ---- 出口二：闲聊（提示词走发布配置） ----
 
     async def _chitchat(self, request: AgentRequest) -> CoreResult:
@@ -214,22 +248,43 @@ class CustomerServiceAgent(BaseAgent):
     # 短到这种程度的问题，自己通常不构成完整意图（"起投多少""风险高吗"）
     _MIN_STANDALONE_CHARS = 8
 
+    @staticmethod
+    def _topic_of(answer: str) -> str:
+        """从客服上一轮的回答里取出"这一轮在说哪个产品"，取不出来就返回空串。
+
+        回答是我们自己组装的，只有两种形状，都取自知识块的字段：
+        - 行级块：`南方季季盈90天：起投金额 1万元`（首个冒号前就是产品名）
+        - 整节块：`### 2.1 南方季季盈90天`（首个标题行去掉 # 号）
+
+        取不出来时宁可返回空、退化成不带主语，也不要拿兜底话术当主语：
+        「抱歉，这个问题我暂时无法给出准确答复」这种句子拿去检索只会把问题带偏。
+        """
+        first = next((line.strip() for line in answer.splitlines() if line.strip()), "")
+        first = first.lstrip("#").strip()
+        topic = first.split("：", 1)[0].strip() if "：" in first else first
+        if not topic or len(topic) > 20 or "，" in topic or "。" in topic:
+            return ""
+        return topic
+
     @classmethod
     def _search_query(cls, request: AgentRequest) -> str:
         """构造交给检索的查询串。
 
-        只有当客户这一句**自己说不清楚**时，才把上文接进来。
+        什么时候带上文（实测决定，两条都不能少）：
 
-        为什么不能无条件拼接（实测）：同一会话先问「季季盈90天的起投金额是多少」，
-        再问「基金赎回几天到账」，若把上一轮问题拼进检索词，第二问会命中季季盈的产品块、
-        答出产品介绍——**答非所问**。在金融场景里这比"引导转人工"糟得多：客户问 A 得到 B
-        的答案，会直接失去对客服的信任，而"答不了"至少是诚实的。
+        1. **客户这一句自己说不清楚时**才带。同一会话先问「季季盈90天的起投金额是多少」、
+           再问「基金赎回几天到账」，若无条件带上文，第二问会命中季季盈的产品块、
+           答出产品介绍——**答非所问**。在金融场景里这比"引导转人工"糟得多。
+        2. **带上文时只带"在说哪个产品"，不带上一轮的原话**。把上一轮整句拼进来会让
+           检索词语义变"宽"，反而只能命中粗粒度的整节块：实测「季季盈90天起投多少
+           那它风险高吗」命中的是整个产品小节，客户问的"风险"完全没有被聚焦；
+           换成「南方季季盈90天 那它风险高吗」才命中"风险等级"那一行。
 
-        所以拼接只留给两种真正需要上文的情况：句子里有指代词，或短到不足以独立表达意图。
-        其余一律以当前问题检索，客户换话题就不会被上一轮拖回去。
+        换句话说：上文的作用是**补主语**，不是**补内容**。
 
-        只取客户的话、不取 Agent 自己的回答：把 Agent 的措辞也拼进来会让检索偏向自己
-        上一轮的说法，而客户的真实意图可能已经在下一句里被修正过。
+        只取客户的话、不取 Agent 自己的回答当内容：把 Agent 的措辞也拼进来会让检索偏向
+        自己上一轮的说法，而客户的真实意图可能已经在下一句里被修正过。这里从回答里取的
+        只有产品名这一个"主语"，不是它的论述。
         """
         message = request.message.strip()
         needs_context = (
@@ -238,8 +293,13 @@ class CustomerServiceAgent(BaseAgent):
         )
         if not needs_context:
             return message[:500]
-        recent_user = [turn.content for turn in request.history if turn.role == "user"][-2:]
-        return " ".join([*recent_user, message])[:500]
+        for turn in reversed(request.history):
+            if turn.role == "assistant":
+                topic = cls._topic_of(turn.content)
+                if topic:
+                    return f"{topic} {message}"[:500]
+                break
+        return message[:500]
 
     # ---- 出口三：引导人工客服（不做工单，只回话并留痕） ----