feat：优化执行步骤

app/agent/screen_agent.py

@@ -14,7 +14,7 @@ from langchain_core.messages import AIMessage, HumanMessage
 from loguru import logger
 from pydantic import BaseModel, Field, model_validator
 
-from app.agent.skills import skill_middleware
+from app.agent.skills import skills_prompt
 from app.agent.tools import (
     ScreenAgentContext,
     ScreenAgentState,
@@ -37,6 +37,7 @@ SYSTEM_PROMPT = f"""你是大屏编辑助手，按用户的要求新建大屏，
 <clarify_rules>
 默认先执行：缺少的细节（位置、尺寸、标题、样式等）用合理的默认值补齐
 只有无法确定用户指的是哪个组件，或看不出用户要做什么时才追问；澄清记录里已经回答过的不再问
+用户要改的组件在大屏上不存在时，说明这一点并给出可行的替代做法（例如新增一个），不要让用户去选中或指出组件
 只删除用户明确要求删除的组件；不确定删哪个时追问，不要猜
 </clarify_rules>"""
 
@@ -107,13 +108,12 @@ async def get_screen_agent():
         _agent = create_agent(
             model=get_llm(),
             tools=[get_nodes, apply_actions, *await get_mcp_tools()],
-            system_prompt=SYSTEM_PROMPT,
+            system_prompt=f"{SYSTEM_PROMPT}\n\n{skills_prompt()}",
             # 用工具调用给出结论：试过原生结构化输出（ProviderStrategy），歧义时模型更常直接执行而不追问，评测多删了组件
             response_format=ToolStrategy(AgentReply),
             state_schema=ScreenAgentState,
             context_schema=ScreenAgentContext,
             middleware=[
-                *skill_middleware(),
                 require_tool_call,
                 # 超过上限时插入说明并结束，没有结构化结果，由节点按失败处理
                 ModelCallLimitMiddleware(