feat(ssa): Agent channel UX optimization (Solution B) + Plan-and-Execute architecture design
SSA Agent channel improvements (12 code files, +931/-203 lines): - Solution B: left/right separation of concerns (gaze guiding + state mutex + time-travel) - JWT token refresh mechanism (ensureFreshToken) to fix HTTP 401 during pipeline - Code truncation fix: LLM maxTokens 4000->8000 + CSS max-height 60vh - Retry streaming code generation with generateCodeStream() - R Docker structured errors: 20+ pattern matching + format_agent_error + line extraction - Prompt iron rules: strict output format in CoderAgent System Prompt - parseCode robustness: XML/Markdown/inference 3-tier matching + length validation - consoleOutput type defense: handle both array and scalar from R Docker unboxedJSON - Agent progress bar sync: derive phase from agentExecution.status - Export report / view code buttons restored for Agent mode - ExecutingProgress component: real-time timer + dynamic tips + step pulse animation Architecture design (3 review reports): - Plan-and-Execute step-by-step execution architecture approved - Code accumulation strategy (R Docker stays stateless) - 5 engineering guardrails: XML tags, AST pre-check, defensive prompts, high-fidelity schema, error classification circuit breaker Docs: update SSA module status v4.1, system status v6.7, deployment changelist Made-with: Cursor
This commit is contained in:
129
docs/03-业务模块/SSA-智能统计分析/07-统计专家配置/复杂分析分步执行架构评估报告.md
Normal file
129
docs/03-业务模块/SSA-智能统计分析/07-统计专家配置/复杂分析分步执行架构评估报告.md
Normal file
@@ -0,0 +1,129 @@
|
||||
# **架构委员会评估报告：复杂多步统计分析的 Agentic 分步执行方案**
|
||||
|
||||
**评估议题：** 针对“描述 \-\> 单因素 \-\> 多因素 \-\> 敏感性”复杂流，大模型是否可以且应该“分步写代码、分步执行、分步展示”？
|
||||
|
||||
**评估结论：** 🌟 **极度赞同！** 这是经典的 **"Plan-and-Solve (规划并逐步解决)"** 智能体设计模式。它不仅解决了大模型的上下文窗口限制，更是解决“步骤间因果依赖”的唯一工程解法。
|
||||
|
||||
## **一、 为什么“一次性生成全部代码”注定失败？(The One-Shot Trap)**
|
||||
|
||||
在你提供的这个 4 步分析法中，存在一个极其关键的\*\*“因果悖论 (Causality Paradox)”\*\*：
|
||||
|
||||
**步骤 3 (多因素分析) 明确要求：** “将**单因素分析中 P 值小于 0.1** 的变量... 纳入多因素逻辑回归模型。”
|
||||
|
||||
* **如果让大模型一次性写完所有代码：**
|
||||
大模型在写代码的那一刻，根本不知道哪些变量的 P 值会小于 0.1！
|
||||
为了实现这个需求，大模型必须在 R 代码里写出极度复杂的“动态提参和动态公式拼接”代码（例如：用 R 提取所有卡方和秩和检验的 P 值，动态过滤，然后 as.formula(paste("Yqol \~", paste(selected\_vars, collapse="+")))）。
|
||||
在真实工程中，这种由大模型动态生成的元编程 R 代码，因为各种检验结果的数据结构不同，**运行崩溃率高达 95% 以上**。
|
||||
* **如果采用“分步执行 (Agentic Step-by-Step)”：**
|
||||
大模型先写步骤 1 和 2。R Docker 跑完后，大模型**真真切切地看到了 P 值的输出结果**。然后大模型做一个人脑决策：“哦，我看到 age (P=0.03) 和 smoke (P=0.08) 小于 0.1，所以我现在的步骤 3 代码可以直接写死：glm(Yqol \~ age \+ smoke \+ bmi \+ sex, ...)”。
|
||||
**这让代码生成变得极其简单、傻瓜、0 报错！**
|
||||
|
||||
## **二、 架构实现方案：如何在无状态的 Docker 中实现“分步”？**
|
||||
|
||||
R Docker 的 /execute-code 接口是无状态的 HTTP 请求（跑完就销毁内存）。要实现分步执行，我们在 Node.js 编排层有两套落地模式：
|
||||
|
||||
### **方案 A：代码累加法 (Code Accumulation) —— 🌟 推荐 MVP 阶段使用**
|
||||
|
||||
这种方式最简单，不需要改动基础设施。
|
||||
|
||||
1. **Turn 1 (描述与单因素)**：
|
||||
* LLM 生成 Code\_A（加载数据、Table 1、卡方、秩和检验）。
|
||||
* Node.js 发送 Code\_A 给 R Docker，拿到结果展示给用户。
|
||||
2. **Turn 2 (多因素)**：
|
||||
* LLM 根据上一步结果，决定了纳入变量，生成 Code\_B（Logistic 回归）。
|
||||
* Node.js 在后台将代码拼接：Final\_Code \= Code\_A \+ "\\n" \+ Code\_B。
|
||||
* Node.js 把 Final\_Code 发给 R Docker 重新跑一遍。虽然前两步被重复跑了，但在小数据集下（如1000行以内），R 跑一次只需零点几秒，用户完全无感知。
|
||||
|
||||
### **方案 B：环境快照法 (Workspace Snapshot) —— 适合大数据/耗时计算**
|
||||
|
||||
如果单因素分析非常耗时（如海量基因数据），不能重复跑。
|
||||
|
||||
1. **执行引擎改造**：
|
||||
在每次 R 脚本执行的最后，强制加上一句 save.image("/tmp/session\_xxx.RData")，把当前处理好的清洗后数据、中间变量全部序列化存入本地或 OSS。
|
||||
2. **分步调起**：
|
||||
执行步骤 3 时，LLM 生成的 R 代码第一句就是 load("/tmp/session\_xxx.RData")，直接继承上一步的内存状态继续跑。
|
||||
|
||||
## **三、 对产品体验 (UX) 的降维打击**
|
||||
|
||||
这种分步执行模式，在前端交互上能带来无与伦比的体验（参考我们在 V12/V13 原型图中的设计）：
|
||||
|
||||
1. **进度条变“真”了 (Progressive Rendering)**：
|
||||
原来用户要看一个转圈看 30 秒。现在，系统可以在 5 秒时弹出 Table 1（描述统计），10 秒时弹出单因素 P 值表格，20 秒时弹出 Logistic 回归森林图。用户像看瀑布流一样看着报告生成，极大地降低了等待焦虑。
|
||||
2. **极简自愈 (Micro-Healing)**：
|
||||
如果到了第 4 步（多重插补敏感性分析）时 R 引擎因为缺包报错了，系统**只需要让大模型重写第 4 步的代码**，前面的 3 步成果依然安然无恙地展示在界面上。
|
||||
3. **人类干预节点 (Human-in-the-loop)**：
|
||||
在步骤 2 跑完后，可以挂起流程。系统问医生：“基于 P\<0.1 的规则，AI 拟将 age, smoke 纳入回归模型。您是否需要强制纳入其他具有临床意义的变量？”医生勾选后，再执行步骤 3。**这是顶级医疗软件的灵魂。**
|
||||
|
||||
## **四、 针对 R 代码执行错误的诊断与防御机制补充 (R Docker Error Prevention)**
|
||||
|
||||
针对日志中出现的 \<text\>:14:9: unexpected input 错误（通常由于大模型在 R 代码块中输出了非法的中文注释或未闭合的字符串/标签导致），在架构上需要增加以下防御机制：
|
||||
|
||||
### **1\. Coder Agent 输出的预处理清洗 (Pre-Execution Sanitization)**
|
||||
|
||||
大模型有时会在代码块中混入解释性文字（如“根据您的分析计划，”），如果这些文字没有被加上 \# 注释符，R 引擎就会报语法错误。
|
||||
|
||||
**Node.js 侧 (CodeRunnerService) 的强制修正：**
|
||||
|
||||
在将代码发给 R Docker 之前，执行一层纯正则或 AST 级别的清洗：
|
||||
|
||||
* **提取有效块**：只提取 r\` 和 \` \` 之间的代码。
|
||||
* **过滤孤儿中文**：如果存在不在引号内且不以 \# 开头的中文字符，这极可能是大模型的解释文字泄漏到了代码块中。可以尝试用正则检测并自动给这些行加上 \# ，或者直接截断。
|
||||
* **（推荐）最简单暴力的方法**：在 Coder Agent 的 System Prompt 中加入最严厉的指令：**“除了代码块，你绝对不能输出任何解释性文字。必须直接输出纯 R 代码，第一行就是 library()，不要使用 Markdown 代码块标签。”**
|
||||
|
||||
### **2\. R Docker 端的语法预检 (Syntax Dry-Run)**
|
||||
|
||||
R Docker 在真正执行计算（尤其是耗时计算）前，应该快速进行一次语法检查，这样能立即抛出友好的错误，而不是等跑了一半才崩溃。
|
||||
|
||||
**R 端 (execute-code API) 的防御：**
|
||||
|
||||
可以在 R 侧接收到代码字符串后，先用 parse() 函数尝试解析，如果解析失败，直接返回“语法错误”，不再交给 eval()。
|
||||
|
||||
\# 在 R API 内部增加预检
|
||||
tryCatch({
|
||||
parsed\_code \<- parse(text \= input\_code)
|
||||
}, error \= function(e) {
|
||||
\# 这里捕获的就是 unexpected input 这种纯语法错误
|
||||
stop(paste("R代码语法错误，无法解析:", e$message))
|
||||
})
|
||||
\# 解析通过后，再执行 eval(parsed\_code)
|
||||
|
||||
### **3\. 错误捕获的鲁棒性 (Robust Error Handling)**
|
||||
|
||||
日志中显示的 (execResult.consoleOutput || \[\]).slice is not a function 说明 Node.js 在尝试处理 R 的报错信息时，因为 execResult.consoleOutput 不是一个数组而导致了二次报错。这会让后续的自愈机制（Self-Healing）拿不到真实的错误信息。
|
||||
|
||||
**后端侧的修正：**
|
||||
|
||||
确保 CodeRunnerService 在捕获 R 的 HTTP 错误响应时，返回的数据结构永远符合约定，避免抛出 JS 层的 Type Error，保证错误能够平稳地传给 Reviewer/Fixer Agent 让其重试。
|
||||
|
||||
### **4\. Agent 职责的精细化拆分：引入独立的 Fixer Agent (专门改代码) 🌟**
|
||||
|
||||
这是彻底解决 AI 陷入“修 Bug 死循环”的最优架构策略（Actor-Critic 模式）。不要让原来的 Coder Agent 兼职改代码，必须将其拆分：
|
||||
|
||||
* **📝 Coder Agent（纯写代码）**：
|
||||
它的职责是“从 0 到 1”，专注于把统计学计划翻译成 R 代码。上下文中包含大量的分析需求和数据字典。
|
||||
* **🔧 Fixer Agent（专门修 Bug）**：
|
||||
当 CodeRunnerService 捕获到 R 报错时，**唤醒专门的 Fixer Agent**。
|
||||
它拥有完全不同的 System Prompt，内部**被注入了丰富的“R 语言常见报错及修复指南 (Knowledge Base)”**。
|
||||
**Fixer Agent 的 Prompt 示例：**"你是一个顶尖的 R 语言 Debug 专家。
|
||||
刚才系统执行了这段代码：\[原始代码\]
|
||||
遇到了这个错误：\[R 原始报错，如 unexpected input 或 computationally singular\]**排错指南：**
|
||||
1. 如果是 unexpected input，通常是因为代码块中混入了未注释的中文解释，请剔除它们。
|
||||
2. 如果是 object not found，请核对原始列名大小写是否拼错，或者是否漏了引包（如 library(dplyr)）。
|
||||
3. 如果是 computationally singular，说明存在严重的共线性或某列方差为0，请在代码中添加自动剔除方差为0的变量的逻辑。
|
||||
|
||||
请分析错误原因，并输出修复后的纯 R 代码。"
|
||||
|
||||
**优势：** 这种职能拆分让修复动作更具**靶向性**，大幅降低了大模型面对冰冷的 R 错误日志时产生幻觉的概率，自愈成功率可提升 60% 以上。
|
||||
|
||||
## **五、 最终结论**
|
||||
|
||||
你提出的分步思路不仅靠谱，更是通往高级数据科学智能体（Data Science Agent）的核心秘籍。
|
||||
|
||||
**行动建议：**
|
||||
|
||||
请后端和 Agent 研发团队在接下来的开发中，将这个长流程拆解为一个 **“多轮对话状态机 (Multi-turn State Machine)”**：
|
||||
|
||||
* 设定一个管线数组：\[Task1\_Desc, Task2\_Uni, Task3\_Multi, Task4\_Sens\]。
|
||||
* 让 Node.js 控制 LLM 逐个 Task 生成代码 \-\> 跑 Docker \-\> 读取结果 \-\> 喂给下一个 Task 的 Context。
|
||||
|
||||
同时，针对本次 R 执行报错，请优先修复错误处理代码中的 slice is not a function Bug，并**引入独立的 Fixer Agent 机制**，以确保自愈循环能高效、精准地运转！
|
||||
97
docs/03-业务模块/SSA-智能统计分析/07-统计专家配置/提升代码生成与修复成功率的高级策略.md
Normal file
97
docs/03-业务模块/SSA-智能统计分析/07-统计专家配置/提升代码生成与修复成功率的高级策略.md
Normal file
@@ -0,0 +1,97 @@
|
||||
# **架构进阶指南：提升 LLM 代码生成与修复成功率的 10 大高级策略**
|
||||
|
||||
**文档目的：** 针对 Agentic Workflow 中大模型写 R 代码容易报错、陷入死循环的问题，提供系统性的解决方案。
|
||||
|
||||
**核心逻辑：** 不要指望大模型“不犯错”，而是要建立一套“让它极难犯错，且一旦犯错能立刻定位”的工程护栏。
|
||||
|
||||
## **🎯 第一部分：提升“首次生成”成功率 (Getting It Right The First Time)**
|
||||
|
||||
防范于未然永远是成本最低的。为了防止类似 unexpected input（中文泄露到代码区）这种低级语法错误，我们需要在 Prompt 和约束上下狠手：
|
||||
|
||||
### **1\. 采用 XML 标签强制物理隔离 (XML Tagging)**
|
||||
|
||||
* **痛点**：传统的 Markdown 代码块 (r ... ) 很容易被大模型破坏，它经常会在反引号外面或者里面夹杂诸如“好的，根据您的要求...”之类的闲聊。
|
||||
* **策略**：在 Coder Agent 的 Prompt 中，强制要求它将纯代码包裹在自定义的 XML 标签中。
|
||||
* **Prompt 示例**：“你只能输出纯 R 代码。绝对不要输出任何 Markdown 标记、问候语或解释。**你必须且只能将代码放在 \<r\_code\> 和 \</r\_code\> 标签之间。**”
|
||||
* **后端解析**：Node.js 提取时直接用正则表达式提取 \<r\_code\> 内部的内容，彻底屏蔽外围的所有文字幻觉。
|
||||
|
||||
### **2\. 注入“防御性编程”黄金法则 (Defensive Prompting)**
|
||||
|
||||
* **痛点**：LLM 假设数据是完美的，但实际数据常有 NA、类型错误或极端值，导致 t.test 等函数直接崩溃。
|
||||
* **策略**：在 System Prompt 中硬编码医学统计的“防御性 R 编程规范”。
|
||||
* **Prompt 示例**：
|
||||
“写 R 代码时必须遵守以下防御规则：
|
||||
1. 模型计算前，强制剔除涉及变量的 NA 值：df \<- na.omit(df\[, c('X', 'Y')\])
|
||||
2. 强制类型转换：把分组变量明确转为因子 as.factor()，把数值变量明确转为数值 as.numeric()。
|
||||
3. 如果要做回归，先检查是否只有1个水平，如果只有1个水平直接停止执行。”
|
||||
|
||||
### **3\. 强制思维链注释化 (Chain of Thought in Comments)**
|
||||
|
||||
* **痛点**：如果不让大模型“说话”，直接写代码，它的逻辑往往会混乱（缺乏思维链的推演）。
|
||||
* **策略**：允许它思考，但**强制它把思考过程写在 R 代码的注释里**。
|
||||
* **Prompt 示例**：“在写具体代码前，请先使用 R 语言的注释符号 \# 逐行写下你的分析步骤和推演过程。确保每一行中文的前面都有 \#。”
|
||||
|
||||
### **4\. 数据字典的高保真注入 (High-Fidelity Schema Injection)**
|
||||
|
||||
* **痛点**：LLM 写错列名（大小写错误、多加了下划线）。
|
||||
* **策略**：不仅仅给 LLM 传入列名数组，最好把每一列的 Class (如 numeric, character) 和**前 3 行的具体数值**（Head）作为 Context 传给 Coder Agent。看到真实的数值长相，LLM 选错变量类型和拼错列名的概率会断崖式下降。
|
||||
|
||||
## **🛠️ 第二部分：提升“代码修复”成功率 (Making Self-Healing Work)**
|
||||
|
||||
一旦出错，如何让 Fixer Agent 一次性改对，而不是陷入“修了A错误，引发B错误”的死循环？
|
||||
|
||||
### **5\. R 端报错的“降维翻译” (Enhancing Error Traceback)**
|
||||
|
||||
* **痛点**：R 的默认报错极度晦涩（如 Error in eval(expr, envir) : object 'X' not found），不告诉你是哪一行代码报的错。Fixer Agent 拿到这种错误就像盲人摸象。
|
||||
* **策略**：在 R Docker 的 plumber.R 外壳中，使用 rlang 包捕获异常，将完整的调用栈和具体的出错行号抛给 Node.js。
|
||||
* **R 代码改造**：
|
||||
tryCatch({
|
||||
eval(parse(text \= input\_code))
|
||||
}, error \= function(e) {
|
||||
\# 提取具体的报错信息和可能的行号
|
||||
error\_msg \<- conditionMessage(e)
|
||||
\# 将此结构化错误返回给 Node.js
|
||||
stop(paste("\[R\_EXEC\_ERROR\]", error\_msg))
|
||||
})
|
||||
|
||||
### **6\. Fixer Agent 的“上下文重置” (Context Reset)**
|
||||
|
||||
* **痛点**：如果把错误信息直接 Append 到之前的长对话记录里让模型修改，模型会受之前历史信息的干扰，产生“注意力偏移”。
|
||||
* **策略**：Fixer Agent 必须是一个**拥有全新 Context 的独立会话**。
|
||||
* **输入构造**：它只需要接收 3 个东西：
|
||||
1. \<original\_code\>...原始代码...\</original\_code\>
|
||||
2. \<error\_log\>...R引擎的精确报错...\</error\_log\>
|
||||
3. \<data\_schema\>...列名和类型...\</data\_schema\>
|
||||
* 干净的上下文能让大模型将 100% 的注意力集中在“找 Bug”上。
|
||||
|
||||
### **7\. 引入 AST (抽象语法树) 静态检查 (Fail Fast)**
|
||||
|
||||
* **策略**：在 Node.js 把修复后的代码发给 R 之前（或者在 R 引擎运行 eval 之前），先执行纯粹的语法检查。
|
||||
* **R 端实现**：使用 parse(text \= code)。如果代码连括号都没闭合、引号没闭合，parse 会立刻报错，根本不需要进入漫长的数据加载和计算环节。这能将修复反馈循环（Feedback Loop）的延迟从几秒缩短到几毫秒。
|
||||
|
||||
### **8\. 强制输出“诊断报告”再输出代码**
|
||||
|
||||
* **痛点**：大模型拿到错误后，急于输出代码，往往只是“瞎蒙”一个改法。
|
||||
* **策略**：强制要求 Fixer Agent 遵循 Diagnosis \-\> Fix Plan \-\> Code 的标准格式输出。
|
||||
* **Prompt 示例**：
|
||||
“收到报错后，你必须按以下格式作答：
|
||||
1. **错误诊断**：分析 R 报错的根本原因。
|
||||
2. **修复方案**：说明你打算修改哪几行代码。
|
||||
3. **修正代码**：将修改后的完整代码放在 \<r\_code\> 标签中。”
|
||||
|
||||
## **🏗️ 第三部分：架构级防线 (Architectural Safeguards)**
|
||||
|
||||
### **9\. 异常分类与短路机制 (Error Classification & Circuit Breaker)**
|
||||
|
||||
有些错大模型能修，有些错大模型**绝对修不好**，千万不要浪费 Token 循环重试。
|
||||
|
||||
在 Node.js 中建立错误拦截字典：
|
||||
|
||||
* **可重试 (Retriable)**：object not found, unexpected input, could not find function（通常是少加了 library 或拼错变量）。
|
||||
* **直接短路 (Hard Abort)**：system is computationally singular (多重共线性，数据数学性质导致，大模型改代码没用), cannot allocate vector of size (内存超限，直接中断并提示用户)。
|
||||
|
||||
### **10\. 建立“错题本”机制 (Error Memory / RAG for Fixes)**
|
||||
|
||||
* **终极杀招**：在数据库建一张 ssa\_fixed\_errors 表。
|
||||
* **流程**：当某次 R报错 \-\> LLM修复 \-\> 再次执行成功 时，将这个组合 (报错信息 \+ 修复前代码 \-\> 修复后代码) 存入向量数据库。
|
||||
* **使用**：下次 Fixer Agent 遇到类似报错时，先从向量库检索历史成功修复案例喂给它。随着系统运行的时间越长，它修 Bug 的能力就越强，最终无限逼近资深 R 程序员。
|
||||
94
docs/03-业务模块/SSA-智能统计分析/07-统计专家配置/架构委员会审查报告：分步执行架构.md
Normal file
94
docs/03-业务模块/SSA-智能统计分析/07-统计专家配置/架构委员会审查报告：分步执行架构.md
Normal file
@@ -0,0 +1,94 @@
|
||||
# **架构委员会独立审查报告：Plan-and-Execute 分步执行架构**
|
||||
|
||||
**审查对象：** plan-and-execute\_architecture\_0895bce2.plan.md
|
||||
|
||||
**审查时间：** 2026-03-07
|
||||
|
||||
**总体评级：** 🌟 **A 级 (方向极度正确，但底层状态管理存在重大设计缺陷)**
|
||||
|
||||
**核心裁决：** 强烈支持分步执行理念！但在 R 容器的“状态持久化 (Phase 5A)”和“步骤跳过逻辑”上，必须进行架构级修正，否则系统在并发环境下必然崩溃。
|
||||
|
||||
## **一、 极度赞赏的架构闪光点 (Highlights)**
|
||||
|
||||
1. **降维打击大模型幻觉**：让大模型一次写 50 行代码的成功率是 95%，一次写 300 行的成功率只有 30%。按步骤生成代码，彻底规避了 LLM 容易遗忘上下文和乱编变量名的通病。
|
||||
2. **极佳的渐进式 UX**：不再让用户盯着一个大大的“转圈”看一分钟。每个步骤独立出结果，进度条有了真实的物理意义。
|
||||
3. **精准的局部重试 (Micro-Healing)**：Step 3 报错了，只需把 Step 3 的代码重写，不需要把 Step 1（耗时的清洗）和 Step 2 再跑一遍，极大地节省了算力和时间。
|
||||
|
||||
## **二、 致命工程盲区与强制修正指令 (Critical Blind Spots & Fixes)**
|
||||
|
||||
### **🚨 盲区 1：Phase 5A 的“内存环境池”是分布式系统的灾难**
|
||||
|
||||
* **原计划设计**：在 R 进程内维护一个全局 SESSION\_POOL \<- new.env() 来保存上下文。
|
||||
* **致命隐患 (The Trap)**：
|
||||
1. **OOM 内存溢出**：如果 20 个用户同时在做分析，每个人的 df 有 50MB。这些环境全部堆积在 R 的内存中，Docker 容器会迅速耗尽内存并被宿主机 Kill 掉。
|
||||
2. **多进程/多实例负载均衡失效**：生产环境中的 R Plumber 通常会启动多个 Worker 进程，或者我们在 SAE 上部署了多个 Docker 实例。**用户的 Step 1 请求打到了容器 A（变量存在 A 的内存里），Step 2 请求如果被负载均衡打到了容器 B，容器 B 里根本没有这个 session！** 流程直接断裂。
|
||||
* **架构强制修正 (File-based Session State)**：
|
||||
坚决放弃内存池！改用硬盘（或共享存储）序列化工作空间。
|
||||
在 CodeRunnerService.ts 每次调用 R 时，告诉 R 去哪里加载/保存状态：
|
||||
\# R Docker 端的标准做法：基于磁盘序列化的 Jupyter 模式
|
||||
session\_file \<- paste0("/tmp/ssa\_session\_", input$session\_id, ".RData")
|
||||
|
||||
\# 1\. 恢复上一步的现场
|
||||
if (file.exists(session\_file) && input$step\_index \> 1\) {
|
||||
load(session\_file, envir \= .GlobalEnv)
|
||||
} else {
|
||||
\# 首次加载数据
|
||||
df \<- load\_data(input$data\_source)
|
||||
}
|
||||
|
||||
\# 2\. 执行当前步骤代码...
|
||||
eval(parse(text \= input$code), envir \= .GlobalEnv)
|
||||
|
||||
\# 3\. 保存现场给下一步用
|
||||
save.image(file \= session\_file)
|
||||
|
||||
*(注：如果采用多 Docker 实例部署，/tmp 需要挂载为阿里云 NAS 共享网盘，或将 .RData 文件上传/下载至 OSS。在 MVP 单实例阶段，本地 /tmp 配合定期清理脚本即可。)*
|
||||
|
||||
### **🚨 盲区 2：LLM 上下文失明 (Variable Namespace Blindness)**
|
||||
|
||||
* 如果是核心数据处理、模型拟合步骤失败 \-\> **必须强行阻断整个 Pipeline (Hard Abort)**，通知用户分析终止。
|
||||
* 如果是边缘步骤（如：Step 4 敏感性分析，或者最后画一张漂亮的散点图）失败 \-\> 允许跳过 (Soft Skip)，并在最终总结中提示“图表生成失败”。
|
||||
|
||||
## **三、 融合《10 大高级策略》的防错与自愈增强 (Advanced Integration)**
|
||||
|
||||
结合之前制定的《提升 LLM 代码生成与修复成功率的 10 大高级策略》，分步执行（Plan-and-Execute）不仅需要宏观的状态调度，更需要微观的防错。建议将以下三条策略直接“镶嵌”到分步执行架构中：
|
||||
|
||||
### **🛡️ 借鉴 1：AST 语法树预检 (保护 Session 现场)**
|
||||
|
||||
* **结合点**：在 Phase 5B (CodeRunner 执行单步代码) 时。
|
||||
* **落地价值**：在调用 eval() 运行代码并将 R 环境保存为 .RData 现场之前，**必须先执行 parse(text \= input$code)**。如果大模型犯了低级语法错误（如未闭合括号、非法中文字符），预检会直接报错阻断。**绝对不能让脏代码污染当前的 Session 内存现场**。
|
||||
|
||||
### **🛡️ 借鉴 2：XML 标签提取 (保障代码纯净度)**
|
||||
|
||||
* **结合点**：在 Phase 5B (CoderAgent 按步骤生成代码) 时。
|
||||
* **落地价值**：不要信任 LLM 会乖乖只输出代码。由于分步生成的聊天属性，大模型极易在代码前后加上“Step 1 的分析代码如下：”等解释性文字。强制 CoderAgent 使用 \<r\_code\>...\</r\_code\> 标签包裹单步代码，并在 Node.js 端用正则严格提取，从根源消灭 unexpected input 错误。
|
||||
|
||||
### **🛡️ 借鉴 3：结合错误分类的“智能短路” (增强软/硬阻断)**
|
||||
|
||||
* **结合点**：与本报告“盲区 3”的跳过逻辑结合。
|
||||
* **落地价值**：某一步骤失败后是“重试、跳过还是终止”，不仅取决于 isCritical，还要看错误分类：
|
||||
* **Fatal Error (硬阻断)**：如果 R 抛出 computationally singular（共线性），说明数据数学性质存在冲突，即使重试 LLM 也修不好，直接中断。
|
||||
* **Fixable Error (可修复重试)**：如果是 object 'age\_years' not found，则启动独立的 **Fixer Agent**。利用**上下文重置 (Context Reset)**，只给它看当前步骤的代码、报错信息和 Data Schema，让其专注修复后再重试。
|
||||
|
||||
## **四、 对 Phase 5B 状态机 (DB Schema) 的优化建议**
|
||||
|
||||
您在 SsaAgentExecution 中新增了 stepResults: Json\[\]。为了配合前端渲染“等待中、生成中、执行中、已完成、错误”的复杂状态，建议定义如下精确的状态流转模型：
|
||||
|
||||
// 建议的 AgentStepResult 状态流转字典：
|
||||
type StepStatus \=
|
||||
| 'pending' // 还没轮到它
|
||||
| 'coding' // LLM 正在吐代码 (前端渲染骨架屏 \+ 打字机)
|
||||
| 'executing' // R 引擎正在跑 (前端渲染转圈)
|
||||
| 'completed' // 成功拿到 ReportBlocks (前端渲染图表)
|
||||
| 'error' // R 报错 (前端展示红色错误框，准备重试)
|
||||
| 'skipped'; // 非致命错误被跳过
|
||||
|
||||
这种精确的状态切分，能让前端 AgentCodePanel 的进度条和状态图标完美契合用户的心理预期。
|
||||
|
||||
## **五、 最终审核结论**
|
||||
|
||||
这是一次**将系统体验从“玩具”跃升为“生产力工具”的重构**。
|
||||
|
||||
只要把 **R 环境变量的磁盘序列化（解决内存爆炸和状态丢失）**、**严格的错误阻断机制** 以及 **XML/AST 防错策略** 落实到位，这个 Plan-and-Execute 架构将使你们的 SSA-Pro 在交互体验和容错率上直接对标顶级的 Agent 平台。
|
||||
|
||||
**准予通过，请优先攻坚 Phase 5A 的文件持久化沙箱！**
|
||||
Reference in New Issue
Block a user