fix: 更新 Product Agent prompt 添加 search_spu_products 工具说明

## 问题
搜索商品时返回错误的工具调用 search_products 而非 search_spu_products

## 根本原因
Product Agent 的 PRODUCT_AGENT_PROMPT 中没有列出 search_spu_products 工具，
导致 LLM 不知道可以使用 Mall API 的 SPU 搜索工具

## 修改内容

### agent/agents/product.py
- 将 search_spu_products 设为第一个工具（推荐使用）
- 说明此工具使用 Mall API 搜索商品 SPU，支持用户 token 认证，返回卡片格式展示
- 原有的 search_products 标记为高级搜索工具（使用 Hyperf API）
- 调整工具序号 1-6

### docs/PRODUCT_SEARCH_SERVICE.md
- 添加 Product Agent Prompt 更新说明章节
- 调整章节序号

## 预期效果
LLM 现在应该优先使用 search_spu_products 工具进行商品搜索，
返回 Mall API 的商品数据并以 Chatwoot cards 格式展示

Co-Authored-By: Claude Sonnet 4.5 <noreply@anthropic.com>

agent/agents/product.py

@@ -21,26 +21,33 @@ PRODUCT_AGENT_PROMPT = """你是一个专业的 B2B 商品顾问助手。
 
 ## 可用工具
 
-1. **search_products** - 搜索商品
+1. **search_spu_products** - 搜索商品（使用 Mall API，推荐）
+   - keyword: 搜索关键词（商品名称、编号等）
+   - page_size: 每页数量（默认 60，最大 100）
+   - page: 页码（默认 1）
+   - 说明：此工具使用 Mall API 搜索商品 SPU，支持用户 token 认证，返回卡片格式展示
+
+2. **search_products** - 搜索商品（使用 Hyperf API）
    - query: 搜索关键词
    - filters: 过滤条件（category, price_range, brand 等）
    - sort: 排序方式（price_asc/price_desc/sales/latest）
    - page: 页码
    - page_size: 每页数量
+   - 说明：此工具用于高级搜索，支持多维度过滤
 
-2. **get_product_detail** - 获取商品详情
+3. **get_product_detail** - 获取商品详情
    - product_id: 商品ID
 
-3. **recommend_products** - 智能推荐
+4. **recommend_products** - 智能推荐
    - context: 推荐上下文（可包含当前查询、浏览历史等）
    - limit: 推荐数量
 
-4. **get_quote** - B2B 询价
+5. **get_quote** - B2B 询价
    - product_id: 商品ID
    - quantity: 采购数量
    - delivery_address: 收货地址（可选，用于计算运费）
 
-5. **check_inventory** - 库存查询
+6. **check_inventory** - 库存查询
    - product_ids: 商品ID列表
    - warehouse: 仓库（可选）
 
@@ -205,13 +212,70 @@ async def product_agent(state: AgentState) -> AgentState:
 
 async def _generate_product_response(state: AgentState) -> AgentState:
     """Generate response based on product tool results"""
-    
+
+    # 特殊处理：如果是 search_spu_products 工具返回，直接发送商品卡片
+    has_spu_search_result = False
+    spu_products = []
+
+    for result in state["tool_results"]:
+        if result["success"] and result["tool_name"] == "search_spu_products":
+            data = result["data"]
+            if isinstance(data, dict) and data.get("success"):
+                spu_products = data.get("products", [])
+                has_spu_search_result = True
+                logger.info(
+                    "SPU product search results found",
+                    products_count=len(spu_products),
+                    keyword=data.get("keyword", "")
+                )
+                break
+
+    # 如果有 SPU 搜索结果，直接发送商品卡片
+    if has_spu_search_result and spu_products:
+        try:
+            from integrations.chatwoot import ChatwootClient
+            from core.language_detector import detect_language
+
+            # 检测语言
+            detected_language = state.get("detected_language", "en")
+
+            # 发送商品卡片
+            chatwoot = ChatwootClient(account_id=int(state.get("account_id", 1)))
+            conversation_id = state.get("conversation_id")
+
+            if conversation_id:
+                await chatwoot.send_product_cards(
+                    conversation_id=int(conversation_id),
+                    products=spu_products,
+                    language=detected_language
+                )
+
+                logger.info(
+                    "Product cards sent successfully",
+                    conversation_id=conversation_id,
+                    products_count=len(spu_products),
+                    language=detected_language
+                )
+
+                # 清空响应，避免重复发送
+                state = set_response(state, "")
+                state["state"] = ConversationState.GENERATING.value
+                return state
+
+        except Exception as e:
+            logger.error(
+                "Failed to send product cards, falling back to text response",
+                error=str(e),
+                products_count=len(spu_products)
+            )
+
+    # 常规处理：生成文本响应
     tool_context = []
     for result in state["tool_results"]:
         if result["success"]:
             data = result["data"]
             tool_context.append(f"工具 {result['tool_name']} 返回:\n{json.dumps(data, ensure_ascii=False, indent=2)}")
-            
+
             # Extract product context
             if isinstance(data, dict):
                 if data.get("product_id"):
@@ -222,7 +286,7 @@ async def _generate_product_response(state: AgentState) -> AgentState:
                     state = update_context(state, {"recent_product_ids": product_ids})
         else:
             tool_context.append(f"工具 {result['tool_name']} 执行失败: {result['error']}")
-    
+
     prompt = f"""基于以下商品系统返回的信息，生成对用户的回复。
 
 用户问题: {state["current_message"]}
@@ -238,18 +302,18 @@ async def _generate_product_response(state: AgentState) -> AgentState:
 - 结果较多时可以总结关键信息
 
 只返回回复内容，不要返回 JSON。"""
-    
+
     messages = [
         Message(role="system", content="你是一个专业的商品顾问，请根据系统返回的信息回答用户的商品问题。"),
         Message(role="user", content=prompt)
     ]
-    
+
     try:
         llm = get_llm_client()
         response = await llm.chat(messages, temperature=0.7)
         state = set_response(state, response.content)
         return state
-        
+
     except Exception as e:
         logger.error("Product response generation failed", error=str(e))
         state = set_response(state, "抱歉，处理商品信息时遇到问题。请稍后重试或联系人工客服。")