fix: 修复35个安全与功能缺陷，补全知识进化/数字孪生/行为采集模块

## 安全修复 (12项)
- Webhook接口添加全局Token认证，过滤敏感请求头
- 修复JWT Base64 padding公式，防止签名验证绕过
- 数据库密码/飞书Token从源码移除，改为环境变量
- 工作流引擎添加路径遍历防护 (_resolve_safe_path)
- eval()添加模板长度上限检查
- 审批API添加认证依赖
- 前端v-html增强XSS转义，console.log仅开发模式输出
- 500错误不再暴露内部异常详情

## Agent运行时修复 (7项)
- 删除_inject_knowledge_context中未定义db变量的finally块
- 工具执行添加try/except保护，异常不崩溃Agent
- LLM重试计入budget计数器
- self_review异常时passed=False
- max_iterations截断标记success=False
- 工具参数JSON解析失败时记录警告日志
- run()开始时重置_llm_invocations计数器

## 配置与基础设施
- DEBUG默认False，SQL_ECHO独立配置项
- init_db()补全13个缺失模型导入
- 新增WEBHOOK_AUTH_TOKEN/SQL_ECHO配置项
- 新增.env.example模板文件

## 前端修复 (12项)
- 登录改用URLSearchParams替代FormData
- 401拦截器通过Pinia store统一清理状态
- SSE流超时从60s延长至300s
- final/error事件时清除streamTimeout
- localStorage聊天记录添加24h TTL
- safeParseArgCount替代模板中裸JSON.parse
- fetchUser 401时同时清除user对象

## 新增模块
- 知识进化: knowledge_extractor/retriever/tasks
- 数字孪生: shadow_executor/comparison模型
- 行为采集: behavior_middleware/collector/fingerprint_engine
- 代码审查: code_review_agent/document_review_agent
- 反馈学习: feedback_learner
- 瓶颈检测/优化引擎/成本估算/需求估算
- 速率限制器 (rate_limiter)
- Alembic迁移 015-020

## 文档
- 商业化落地计划
- 8篇docs文档 (架构/API/部署/开发/贡献等)
- Docker Compose生产配置

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

backend/app/models/agent_execution_log.py

@@ -0,0 +1,57 @@
+"""
+Agent 执行日志模型 — 结构化记录每次 Agent 执行的完整信息
+用于知识自进化系统的数据基础
+"""
+from sqlalchemy import Column, String, Text, Integer, DateTime, JSON, Float, Boolean
+from sqlalchemy.dialects.mysql import CHAR
+from app.core.database import Base
+import uuid
+from datetime import datetime
+
+
+class AgentExecutionLog(Base):
+    """Agent 每次执行的完整结构化日志"""
+    __tablename__ = "agent_execution_logs"
+
+    id = Column(CHAR(36), primary_key=True, default=lambda: str(uuid.uuid4()), comment="日志ID")
+    agent_id = Column(String(36), nullable=True, index=True, comment="Agent ID")
+    agent_name = Column(String(200), nullable=True, comment="Agent 名称")
+    goal_id = Column(String(36), nullable=True, index=True, comment="关联 Goal ID")
+    task_id = Column(String(36), nullable=True, index=True, comment="关联 Task ID")
+    user_id = Column(String(36), nullable=True, index=True, comment="用户 ID")
+    session_id = Column(String(100), nullable=True, comment="会话标识")
+
+    # 输入/输出
+    input_text = Column(Text, nullable=True, comment="用户输入文本")
+    output_text = Column(Text, nullable=True, comment="Agent 输出文本")
+    output_truncated = Column(Boolean, default=False, comment="输出是否被截断")
+
+    # 执行结果
+    success = Column(Boolean, default=True, comment="是否成功")
+    error_message = Column(Text, nullable=True, comment="错误信息")
+
+    # 性能指标
+    latency_ms = Column(Integer, nullable=True, comment="总耗时(ms)")
+    iterations_used = Column(Integer, default=0, comment="ReAct 迭代次数")
+    tool_calls_made = Column(Integer, default=0, comment="工具调用总次数")
+
+    # 结构化明细（JSON）
+    tool_chain = Column(JSON, nullable=True, comment="工具调用链: [{tool_name, input, output, duration_ms}]")
+    llm_calls = Column(JSON, nullable=True, comment="LLM调用明细: [{model, prompt_tokens, completion_tokens, latency_ms}]")
+    steps = Column(JSON, nullable=True, comment="执行步骤详情（精简版）")
+
+    # 模型信息
+    model = Column(String(100), nullable=True, comment="使用的模型")
+    provider = Column(String(50), nullable=True, comment="模型提供商")
+
+    # 用户反馈（后续补充）
+    user_rating = Column(Integer, nullable=True, comment="用户评分(1-5)")
+    user_feedback = Column(Text, nullable=True, comment="用户反馈文本")
+
+    # 知识提取标记
+    knowledge_extracted = Column(Boolean, default=False, comment="是否已提取知识")
+
+    created_at = Column(DateTime, default=datetime.now, comment="创建时间")
+
+    def __repr__(self):
+        return f"<AgentExecutionLog(id={self.id}, agent={self.agent_name}, success={self.success})>"