feat(asr): 本地语音转写接入为一级路由 + 并行工作流合并提交

按用户指示做**一包提交**，不按工作流拆分。本提交刻意混合了多条并行线：

  · 本地 ASR 接管：audio 成为与 chat/embed/image/video 同等的路由类别
    （IsLocalRoute 单一判据、audio 健康探测、default_audio_route、
    auto 占位、GET /api/ai/routes/audio、回退云端时界面明示「音频已出网」）
  · LLM 调用层：ctx 贯穿、ToolCall/ToolSchema、EmptyCompletionError /
    TransientUpstreamError（按错误类型而非文案判重试）
  · 编排 Agent：general_assistant orchestrate/persistence/spec_driver
  · 联网搜索：internal/search（playwright）
  · 网盘：backend + 前端
  · 前端 UI：导航/路由/工作台若干页
  · 交付文档：DELIVERY.md / AR04 / 部署文档的「无 Python」表述据实改写，
    新增 eai_agentplatform-asr.service、asr.env、clonezilla-cleanup 清 ~/asr-poc

不分拆的原因：dev 早期，粒度不该打断工作节奏。且实测过——这些改动
**在编译上是同一个单元**（llm.go 的 ctx 签名变更牵动 12 个调用点，
chat_message.go 的 ctx 改动又与编排重写同处一个 hunk），拆出来的中间态编不过。
详见 TOP_CODING_RULES.md G14.5 与 bugs_and_errors.md E09。

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

test/general_assistant/run_09/request.json

@@ -0,0 +1,6 @@
+{
+  "message": "请解释机器学习中的过拟合（overfitting）问题：它是什么、为什么会发生、有哪些常见的解决方法？给出一个通俗但准确的专业回答。",
+  "specialist_key": "general-assistant",
+  "mode": "chat",
+  "stream": false
+}

test/general_assistant/run_09/response.json

@@ -0,0 +1 @@
+{"code":0,"data":{"message":{"role":"assistant","content":"**一句话**：过拟合是模型在训练集上“考满分”，但换到新数据就“露馅”——它把噪声和偶然规律也当成真规律学进去了。\n\n**是什么**  \n- 训练误差很低，验证/测试误差却很高。  \n- 从偏差-方差看，属于**高方差**：模型对训练样本的微小变化过于敏感。  \n- 典型曲线：验证误差先下降，随后随着训练继续反而上升。\n\n**为什么会发生**  \n- 模型太复杂：参数太多、网络太深、树太深，容量超过了数据能支撑的信息量。  \n- 数据太少、噪声大、特征维度高，模型容易记住“特例”而非规律。  \n- 训练太久，模型开始拟合残差和噪声。  \n- 反复用同一验证集/测试集调参，或存在数据泄露，也会造成“看起来过拟合/虚高”。\n\n**常见解决方法**  \n1. **数据层面**：增加样本、数据增强、加噪声、重采样。  \n2. **模型层面**：降低复杂度，如减少参数、降维、特征选择、决策树剪枝、限制深度。  \n3. **正则化**：L1/L2、权重衰减、Dropout、标签平滑；正则太强会转向欠拟合。  \n4. **早停**：监控验证集误差，在它开始上升前停止训练。  \n5. **可靠评估**：交叉验证，验证集调参，测试集只在最后用一次。  \n6. **集成方法**：Bagging、随机森林、模型平均等可降低方差。  \n7. **其他**：贝叶斯先验、最大间隔思想、批归一化等也有一定正则效果。\n\n**关键点**：过拟合无法完全消除，只能缓解；目标不是训练误差最低，而是**泛化误差最低**。就像学生背答案不如理解规则——模型要学的是规律，不是题面。","timestamp":"2026-09-25 20:33:47","type":"text"},"is_plan":false,"is_expert":false,"stream":false},"error":null,"message":"success"}

test/general_assistant/run_09/summary.md

@@ -0,0 +1,8 @@
+# run_09
+- 类型：纯知识直答
+- 意图：direct_answer
+- 状态：成功
+- 耗时：14.4s（后端 ai_call_log: 14415ms）
+- 时间：2026-09-25 20:33:47
+- 说明：请求为「解释机器学习里的过拟合」。未触发联网/编排，单轮直答返回，内容：过拟合定义、成因（模型复杂度过高/数据不足/噪声）、三大类解决（数据层/模型层/正则化层）结构化专业回答。
+- 结论：direct_answer 路径稳定（~14s）。证明在不依赖搜索时通用助手本体能力可靠。这也再次印证：超时问题集中在「联网/编排」路径，与直答逻辑无关。