diff --git a/src/pages/PlanningAgent.tsx b/src/pages/PlanningAgent.tsx
index 9a9d7d1..fb3e9e3 100644
--- a/src/pages/PlanningAgent.tsx
+++ b/src/pages/PlanningAgent.tsx
@@ -598,7 +598,29 @@ export default function PlanningAgent() {
               <span key={f.id} className="badge text-[0.7rem]">{f.name}</span>
             ))}
             <button
-              className="ml-auto text-xs text-txt-muted hover:text-magenta"
+              className="ml-auto text-xs text-txt-muted hover:text-magenta flex items-center gap-1.5"
+              onClick={() => setInput(`# Epic: Q3 智能云端电池预测性维护系统 (BMS-AI)
+
+## 业务背景
+目前我们接入云端的 50 万台新能源车辆中，电池因单体压差过大导致的突发性故障率有上升趋势，造成了较高的售后索赔成本和用户客诉。我们需要在 Q3 PI (Program Increment) 落地一套“电池预测性维护系统”。
+
+## 核心目标
+1. **数据实时采集**：云端需要能够高频接收车辆上报的电池运行遥测数据（包含单体电压、温度、充放电电流等）。
+2. **云端 AI 分析**：利用云端的 AI 异常检测模型，对电池数据进行实时流式计算，预测未来 7 天内可能发生故障的电池包。
+3. **多端预警联动**：一旦云端判定存在高风险，需立即向车机端（座舱屏幕）和车主的手机 App 同时下发告警弹窗，并生成一条云端售后维修建议工单。
+
+## 约束与期望
+- **合规性**：采集的车辆 VIN 码和位置信息必须符合个人信息保护法（PIPL）的数据脱敏要求。
+- **性能**：云端必须能扛住 50 万台车同时在线高频上报数据的并发压力。告警下发延迟不能超过 3 秒。`)}
+              title="快速输入: BMS-AI 预测性维护 Epic 示例"
+            >
+              <svg className="w-3.5 h-3.5 opacity-60" fill="none" stroke="currentColor" viewBox="0 0 24 24">
+                <path strokeLinecap="round" strokeLinejoin="round" strokeWidth={2} d="M13 10V3L4 14h7v7l9-11h-7z" />
+              </svg>
+              快捷指令
+            </button>
+            <button
+              className="text-xs text-txt-muted hover:text-magenta"
               onClick={handleReset}
             >
               重置会话