feat(aia): Implement Protocol Agent MVP with reusable Agent framework
Sprint 1-3 Completed (Backend + Frontend): Backend (Sprint 1-2): - Implement 5-layer Agent framework (Query->Planner->Executor->Tools->Reflection) - Create agent_schema with 6 tables (agent_definitions, stages, prompts, sessions, traces, reflexion_rules) - Create protocol_schema with 2 tables (protocol_contexts, protocol_generations) - Implement Protocol Agent core services (Orchestrator, ContextService, PromptBuilder) - Integrate LLM service adapter (DeepSeek/Qwen/GPT-5/Claude) - 6 API endpoints with full authentication - 10/10 API tests passed Frontend (Sprint 3): - Add Protocol Agent entry in AgentHub (indigo theme card) - Implement ProtocolAgentPage with 3-column layout - Collapsible sidebar (Gemini style, 48px <-> 280px) - StatePanel with 5 stage cards (scientific_question, pico, study_design, sample_size, endpoints) - ChatArea with sync button and action cards integration - 100% prototype design restoration (608 lines CSS) - Detailed endpoints structure: baseline, exposure, outcomes, confounders Features: - 5-stage dialogue flow for research protocol design - Conversation-driven interaction with sync-to-protocol button - Real-time context state management - One-click protocol generation button (UI ready, backend pending) Database: - agent_schema: 6 tables for reusable Agent framework - protocol_schema: 2 tables for Protocol Agent - Seed data: 1 agent + 5 stages + 9 prompts + 4 reflexion rules Code Stats: - Backend: 13 files, 4338 lines - Frontend: 14 files, 2071 lines - Total: 27 files, 6409 lines Status: MVP core functionality completed, pending frontend-backend integration testing Next: Sprint 4 - One-click protocol generation + Word export
This commit is contained in:
@@ -0,0 +1,116 @@
|
||||
# **Protocol Agent 后端配置架构设计 (V3.0 核心思路)**
|
||||
|
||||
设计目标： 将硬编码的业务逻辑转化为可运营的配置数据。
|
||||
核心范式： 全局继承 \+ 阶段重写 \+ 组件化逻辑
|
||||
|
||||
## **1\. 配置层级概览 (The Configuration Hierarchy)**
|
||||
|
||||
我们不再把 Prompt 看作一个长字符串，而是一个 **“动态组装对象”**。
|
||||
|
||||
graph TD
|
||||
Global\[全局配置 (Global Config)\] \--\> Stage\[阶段配置 (Stage Config)\]
|
||||
|
||||
subgraph "Level 1: 全局设定"
|
||||
Global \--\> BasePrompt\[人设: 资深医学专家\]
|
||||
Global \--\> ContextDef\[记忆结构: PICO/N值\]
|
||||
Global \--\> GlobalTools\[通用工具: EKB检索\]
|
||||
end
|
||||
|
||||
subgraph "Level 2: 阶段设定 (覆盖 7 个模块)"
|
||||
Stage \--\> TaskPrompt\[任务指令: 算样本量\]
|
||||
Stage \--\> CoT\[思维链 SOP\]
|
||||
Stage \--\> Reflexion\[反思卫士规则\]
|
||||
Stage \--\> StageTools\[专用工具: 计算器\]
|
||||
end
|
||||
|
||||
## **2\. 详细配置清单 (后端都有哪些需要配置的？)**
|
||||
|
||||
### **2.1 Level 1: 全局配置 (Global Configuration)**
|
||||
|
||||
这是 Agent 的“底色”，在所有阶段都会生效。
|
||||
|
||||
| 配置项 | 说明 | 示例值 |
|
||||
| :---- | :---- | :---- |
|
||||
| **Agent Name** | 智能体名称 | 研究方案制定助手 (Protocol Agent) |
|
||||
| **Base System Prompt** | **总体 Prompt** | "你是一个严谨的临床研究方法学专家。你的核心目标是辅助用户产出高质量的 Protocol。你必须依据循证医学证据说话..." |
|
||||
| **Tone of Voice** | 语气风格 | 专业、客观、循循善诱（不要过于热情，保持学术严谨性） |
|
||||
| **Global Knowledge** | 全局知识库挂载 | 关联 ekb\_schema (自建知识库)，允许检索所有 Guideline 类型文档。 |
|
||||
| **Memory Structure** | 记忆结构定义 | 定义 ProtocolContext 的 JSON Schema（告诉 AI 它能记住哪些字段，如 PICO）。 |
|
||||
|
||||
### **2.2 Level 2: 阶段配置 (Stage Configuration)**
|
||||
|
||||
这是 7 个具体模块的配置区。用户处于哪个阶段，Orchestrator 就加载哪份配置**覆盖**进 System Prompt。
|
||||
|
||||
| 配置项 | 说明 | 示例值 (以样本量计算为例) |
|
||||
| :---- | :---- | :---- |
|
||||
| **Stage ID** | 阶段标识 | SAMPLE\_SIZE\_CALC |
|
||||
| **Stage Trigger** | 进入条件 (Router) | 当用户 PICO 完整 且 研究类型为 RCT 时。 |
|
||||
| **Stage Instruction** | **阶段任务指令** | "当前任务是计算样本量。请根据用户提供的 Alpha/Power 参数，推荐合适的计算公式。" |
|
||||
| **Specific Tools** | 专用工具绑定 | 绑定 tools/st/sample-size (Action Card)。 |
|
||||
| **Output Schema** | 结构化提取目标 | 定义需要从对话中提取哪些字段存入 DB（如 n\_value, alpha）。 |
|
||||
|
||||
### **2.3 Level 3: 逻辑与风控配置 (Logic & Reflexion)**
|
||||
|
||||
这是您特别关心的 **“思维链”** 和 **“反思卫士”**。
|
||||
|
||||
#### **A. 思维链 (CoT) 配置**
|
||||
|
||||
我们不再把思考过程写在 Prompt 文本里，而是配置为 **SOP 步骤列表**。
|
||||
|
||||
* **配置方式**：一个有序数组。
|
||||
* **配置内容**：
|
||||
1. **Step 1 \[Check\]**: 检查必要参数（Alpha, Power）是否齐全。
|
||||
2. **Step 2 \[Match\]**: 匹配研究设计（是两样本均数比较，还是率的比较？）。
|
||||
3. **Step 3 \[Recall\]**: 回忆/检索类似研究的 Effect Size 作为参考。
|
||||
4. **Step 4 \[Action\]**: 决定是追问用户，还是生成 Action Card。
|
||||
|
||||
#### **B. 反思卫士 (Reflexion Guard) 配置**
|
||||
|
||||
这是 V3 的核心升级。我们需要配置 **“什么样的情况是错误的”**。
|
||||
|
||||
可以分为两类配置：
|
||||
|
||||
1. **Prompt-based Reflexion (软校验)**:
|
||||
* 配置一段 Prompt 让 AI 自查：“请检查用户计算出的 N 值是否过小（\<20）？如果是，请给出伦理预警。”
|
||||
2. **Rule-based Reflexion (硬校验 \- 高级)**:
|
||||
* 配置 JSON 规则（后端解析执行）：
|
||||
{
|
||||
"rules": \[
|
||||
{ "field": "sample\_size.n", "operator": "\<", "value": 10, "msg": "样本量过小" },
|
||||
{ "field": "sample\_size.power", "operator": "\<", "value": 0.8, "msg": "效能不足" }
|
||||
\]
|
||||
}
|
||||
|
||||
## **3\. 系统运行时的组装逻辑**
|
||||
|
||||
当用户发来一条消息时，后端 Orchestrator 是这样工作的：
|
||||
|
||||
1. **加载全局**：取 Global.BasePrompt。
|
||||
2. **定位阶段**：根据当前 Context.stage (比如样本量)，取 Stage.TaskPrompt。
|
||||
3. **注入 SOP**：取 Stage.CoT，编译成 XML 格式的思考指令。
|
||||
* Step 1: \<check\>...\</check\>
|
||||
* Step 2: \<match\>...\</match\>
|
||||
4. **挂载反思**：取 Stage.Reflexion，如果是 Prompt 类型的反思，追加到最后。
|
||||
5. **最终合成**：
|
||||
\[Global Persona\] ...
|
||||
\[Context Data\] ...
|
||||
\[Stage Instruction\] ...
|
||||
\[CoT Steps (SOP)\] ...
|
||||
\[Reflexion Instructions\] ...
|
||||
|
||||
## **4\. 总结：设计建议**
|
||||
|
||||
**您现在的思路非常清晰：**
|
||||
|
||||
1. **全局控制 (Overall Prompt)** 是必须的，它是 Agent 的“灵魂”，保证了无论在哪个阶段，AI 说话的方式都是一致的。
|
||||
2. **分阶段配置** 是“肉体”，负责具体的干活技能。
|
||||
3. **思维链 & 反思** 是“神经系统”，负责控制思考的深度和质量。
|
||||
|
||||
下一步建议：
|
||||
我将在下一个回复中，为您设计 "后端配置中心" 的 UI 原型。
|
||||
这个原型将不再关注调试对话框，而是关注 "如何像搭积木一样配置上述的三层结构"。
|
||||
它应该包含：
|
||||
|
||||
* **全局设置页**：配置 Agent 人设。
|
||||
* **流程编排页**：一个左侧导航（7个阶段），右侧配置（Prompt \+ CoT \+ Reflexion）的布局。
|
||||
* **SOP 编辑器**：专门用来拖拽/编辑思维链步骤的区域。
|
||||
Reference in New Issue
Block a user