[codex] add agent harness v0 with replay eval

[RCF-117]

背景

当前项目已有 LLM workflow、POI/交通/行程校验等后端能力，但这些能力主要散落在 workflow/service 层，还没有统一的 agent tool layer。为了后续支持 tool calling、memory、eval/replay 和更稳定的 agent 编排，本次新增一个 backend-only 的 Agent Harness v0。

这个改动不替换现有 /plan/stream 行为，也不改前端协议，主要是为后续 agent 化提供可测试、可观测、可回放的基础设施。

说明：此分支基于前序 route_sort_day 工具分支继续开发。如果前一个 route sort PR 尚未合并，本 PR 的 diff 里可能会包含前序提交；待前序 PR 合并后，本 PR 的实际审阅范围会收敛到 harness/eval 相关代码。

本次新增

1. Agent 通用协议

新增 backend/app/agent/schemas.py，定义统一的 harness 数据结构：

• ToolCall
• ToolResult
• ToolWarning
• ToolContext
• ToolSpec
• ToolTraceEntry
• HarnessRequest
• HarnessRunResult

所有工具统一通过 ToolCall(name, args) 调用，并返回结构化 ToolResult，包含 ok / data / warnings / degraded / error。

2. Tool Registry

新增 backend/app/agent/registry.py，提供工具注册与统一调用入口。

目前注册的工具包括：

• parse_user_intent
• estimate_visit_duration
• compute_transit
• route_sort_day
• validate_itinerary

未知工具和工具异常都会被包装成结构化错误，方便 agent runner 记录和降级处理。

3. Harness Tool Adapters

新增 backend/app/tools/harness_tools.py，把现有后端能力包装成统一 tool：

• parse_user_intent_tool：封装现有 intent parser
• estimate_visit_duration_tool：封装默认停留时间规则
• compute_transit_tool：封装现有交通估算/降级逻辑
• route_sort_day_tool：接入已有顺路排序工具
• validate_itinerary_tool：校验缺坐标、重复 POI、时间顺序、日程结构完整性等

其中 validate_itinerary 会优先使用 stop 的显式 slot 判断早餐/午餐/晚餐/景点/酒店，避免仅依赖 category=eat 导致三餐误判。

4. Deterministic Runner v0

新增 backend/app/agent/runner.py，提供固定流程 harness：

parse_user_intent
-> route_sort_day
-> compute_transit
-> validate_itinerary

它不会调用 LLM，适合离线测试、回归测试和调试 tool trace。

5. LLM-planned Harness Runner

新增：

• backend/app/agent/planner.py
• backend/app/agent/live_runner.py
• backend/app/agent/recorder.py

LLMToolPlanner 会调用现有 llm.stream_chat(...) 生成 tool plan，但执行阶段仍由本地 runner 注入可信参数，避免模型幻觉参数或传入空 stops。

同时 v0 会强制补齐最小工具链：

parse_user_intent
route_sort_day
compute_transit
validate_itinerary

也就是说，LLM 可以参与规划，但不会完全控制执行。

6. Replay Recording & Eval

新增 evals/travel_plan_eval.py 和 replay fixtures：

• evals/fixtures/travel_plan_replay.jsonl
• evals/fixtures/agent_harness_live.jsonl

每次 live harness 可以记录：

• request
• planner raw response
• planner tool calls
• tool trace
• intermediate state
• warnings
• degraded 状态

评估脚本支持旧 workflow days 格式，也支持新的 agent harness record 格式。

当前指标包括：

• compliance rate
• degradation rate
• average stop count
• missing coordinate rate
• tool warning count

测试

新增测试覆盖：

• tool registry 注册、查询、调用和未知工具错误
• P0 tool adapters
• deterministic runner trace
• LLM planner JSON 解析、未知工具过滤、必需工具补齐
• live harness JSONL recording
• eval replay metrics

默认测试不会调用 API。只有显式设置：

ITRAVEL_RUN_LIVE_LLM_TEST=1

才会运行 live LLM 测试并记录 replay 数据。

本地验证结果：

81 passed, 1 skipped, 1 warning

设计边界

本次没有：

• 替换现有 /plan/stream
• 改前端协议
• 引入 LangGraph
• 做完全自主 agent loop
• 强依赖 function calling
• 接入非官方小红书/携程接口
• 移除现有 workflow fallback

目标是先建立轻量、可测试、可回放的 agent harness v0，为后续 tool calling、memory、POI grounding 和 eval 体系打基础。