# **IIT Manager Agent V2.9 补充设计：主动性与用户画像增强**

**目标：** 响应智能化评估中的 P0 需求，补齐“主动服务”和“个性化”短板，并增强复杂任务处理能力。

**原则：** 坚持 **Postgres-Only**，复用现有的 **Skill (JSON)** 和 **ToolsService**。

## **1\. 主动提醒机制设计 (The Proactive Engine)**

我们不需要写死一堆 cron 脚本，而是将“主动提醒”抽象为一种特殊的 **Skill**。

### **1.1 架构复用逻辑**

* **触发源**：pg-boss 的定时任务 (Scheduler)。  
* **规则载体**：iit\_skills 表（新增 trigger\_type: 'cron'）。  
* **执行者**：QcEngineService (复用现有的逻辑)。

### **1.2 数据库 Schema 扩展**

在 iit\_skills 表中增加调度字段：

model IitSkill {  
  // ... 原有字段  
  triggerType  String   @default("webhook") // 'webhook' | 'cron' | 'event'  
  cronSchedule String?  // 例如: "0 9 \* \* \*" (每天9点)  
    
  // 核心配置 (JSON)  
  config       Json       
}

### **1.3 Skill 配置示例：访视提醒**

这是一个“每天早上9点检查即将到期访视”的技能配置。

{  
  "name": "即将到期访视提醒",  
  "description": "扫描未来3天内需要访视的患者",  
    
  // 核心：复用 Engine A 的逻辑来筛选数据  
  "hard\_rules": \[  
    // 这里我们稍微扩展一下 hard\_rules 的能力，支持 SQL-like 的筛选  
    // 或者直接调用工具获取列表  
  \],  
    
  // 核心：复用 Engine B (LLM) 来生成人性化通知  
  "soft\_instructions": \[  
    {  
      "instruction": "请调用 \`get\_upcoming\_visits(days=3)\` 工具。如果有数据，请根据【用户偏好】生成一条提醒消息。如果没有数据，什么都不做。",  
      "tools": \["get\_upcoming\_visits", "send\_wechat\_msg"\]  
    }  
  \]  
}

### **1.4 代码实现 (SchedulerService.ts)**

// SchedulerService.ts

async initCronJobs() {  
  // 1\. 从数据库加载所有 triggerType \= 'cron' 的 Skill  
  const cronSkills \= await prisma.iitSkill.findMany({   
    where: { triggerType: 'cron', isActive: true }   
  });

  for (const skill of cronSkills) {  
    // 2\. 注册到 pg-boss  
    await this.boss.schedule(  
      \`run-skill-${skill.id}\`,   
      skill.cronSchedule,   
      { skillId: skill.id }  
    );  
  }  
}

// Worker 处理逻辑  
async handleCronSkill(job) {  
  const { skillId } \= job.data;  
  const skill \= await prisma.iitSkill.findUnique({ where: { id: skillId } });  
    
  // 3\. 复用现有的引擎！  
  // 就像处理 Webhook 一样处理 Cron，架构极其统一  
  await this.qcEngine.runSoftAgent(  
    skill.config.soft\_instructions\[0\].instruction,  
    { source: 'cron\_job' } // Context  
  );  
}

**效果：** 你只需要在后台配一个 JSON，Agent 就会每天早上 9 点醒来，查数据，然后发微信：“张医生，P005 明天该来复查了。”

## **2\. 用户画像增强 (User Profiling)**

我们已经在 V2.8 中设计了 iit\_project\_memory (Hot Memory)，现在只需要把“画像”结构化。

### **2.1 存储设计**

在 iit\_user\_preferences 表中，我们将 preferences 字段细分为两类：

1. **显性偏好 (Explicit)**：用户明确说的（“我要简报”）。  
2. **隐性画像 (Implicit)**：系统分析出来的（“他是 PI，关注宏观数据”）。

// preferences 字段内容示例  
{  
  "communication\_style": "concise", // 简练 | 详尽  
  "role\_tag": "PI",                 // PI | CRC | CRA  
  "focus\_areas": \["AE", "Enrollment"\], // 关注点  
  "notification\_time": "08:30",     // 接收时间  
  "feedback\_history": {             // 简单的反馈记录  
    "thumbs\_up": 12,  
    "thumbs\_down": 1  
  }  
}

### **2.2 自动画像更新 (The Profiler)**

我们在 ChatService 结束一次对话后，异步触发一个微型任务：**“画像侧写”**。

// ProfilerService.ts

async updateProfile(userId: string, lastConversation: any\[\]) {  
  const currentProfile \= await this.getProfile(userId);  
    
  // 让 LLM 当心理分析师  
  const prompt \= \`  
    基于刚刚的对话，更新用户画像。  
    对话：${JSON.stringify(lastConversation)}  
    旧画像：${JSON.stringify(currentProfile)}  
      
    提取规则：  
    1\. 如果用户抱怨"太长了"，将 style 设为 concise。  
    2\. 如果用户问了"安全性"，将 AE 加入 focus\_areas。  
      
    返回新的 JSON。  
  \`;  
    
  const newProfile \= await this.llm.chat(prompt);  
  await this.saveProfile(userId, newProfile);  
}

## **3\. 反馈循环 (Feedback Loop \- Lite)**

不要做复杂的强化学习（RLHF），只做简单的\*\*“点赞/点踩”\*\*。

### **3.1 交互设计**

在 Agent 回复的每条消息下面（如果是小程序/网页），加两个小按钮：👍 / 👎。

### **3.2 逻辑闭环**

1. **用户点踩 (👎)**。  
2. **前端**：弹窗询问“哪里不好？”（选项：太啰嗦、不准确、没听懂）。  
3. **后端**：  
   * 将这条 Negative Feedback 写入 iit\_conversation\_history。  
   * **关键动作**：触发一次 Hot Memory 更新。  
   * **Prompt**："用户对刚才的回答点了踩，原因是'太啰嗦'。请在 Hot Memory 中记下一条禁令：\[针对该用户，严禁输出超过 100 字的废话\]。"

**结果**：Agent 下次遇到这个用户，真的会改。这就是最真实的“智能感”。

## **4\. 多意图与任务规划增强 (Multi-Intent Handling)**

针对“先做 A，再做 B”的复杂指令（如：“查一下 P001 的状态，然后通知张医生”），我们不需要引入重型 Planner，而是通过 **ReAct \+ Prompt Engineering** 实现。

### **4.1 核心策略：ReAct 自然涌现**

**结论**：ReAct 引擎本身就是一个轻量级 Planner。

不需要额外的 Planner 模块，只需要在 **System Prompt** 中显式教导 Agent 如何拆解任务。

### **4.2 Prompt 增强设计**

在 backend/src/modules/iit-manager/engines/ReActEngine.ts 的系统提示词中加入以下**思维链（Chain of Thought）指令**：

const REACT\_SYSTEM\_PROMPT \= \`  
你是一个临床研究助手。你可以使用工具来回答问题。

核心原则：  
1\. \*\*任务拆解\*\*：如果用户请求包含多个步骤（例如"先...再..."，"查完...发给..."），请务必分步执行。  
   \- 不要试图在一个步骤里做完所有事。  
   \- 比如：先调用查询工具，获得结果后，再调用发送工具。  
2\. \*\*依赖管理\*\*：如果步骤 B 依赖步骤 A 的结果，必须先执行 A，观察 A 的结果，再执行 B。  
3\. \*\*完成检查\*\*：在输出 Final Answer 之前，检查是否完成了用户的所有指令。

思考格式示例：  
Thought: 用户想查 P001 并通知张医生。我有两个任务。首先，我需要查 P001 的状态。  
Action: 调用 read\_clinical\_data(id='P001')...  
Observation: {"status": "Enrolled"}  
Thought: 我已经查到了状态。现在我需要执行第二个任务：发消息给张医生。  
Action: 调用 send\_wechat\_msg(to='Dr. Zhang', content='P001 status is Enrolled')...  
...  
\`;

### **4.3 为什么不用 Planner？**

对于 2 人团队，显式 Planner（先生成计划列表，再循环执行）过于沉重且难以维护状态。ReAct 的 **“边走边想”** 模式完全能够覆盖 90% 的“线性多步任务”。

## **5\. 总结与建议**

| 需求 | 解决方案 | 复杂度 | 推荐实施阶段 |
| :---- | :---- | :---- | :---- |
| **主动提醒** | **Cron Skill** (复用 pg-boss \+ QC Engine) | 低 | **Phase 4** (与周报一起做) |
| **用户画像** | **Profiler Job** (对话后异步分析) | 中 | **Phase 5** (智能化增强) |
| **反馈循环** | **点赞按钮 \+ 记忆写入** | 低 | **Phase 5** |
| **多意图处理** | **ReAct Prompt 优化** (无需新模块) | 极低 | **Phase 5** (开发 ReActEngine 时同步完成) |

### **对你的建议**

1. **全盘接受 P0 建议**：主动提醒和用户画像是成本低、收益大的功能。  
2. **技术上保持克制**：  
   * 别写专门的 Alert Engine，用 Cron Skill 复用现有的引擎。  
   * 别搞复杂的推荐算法，用 JSON 存画像就够了。  
   * 别搞复杂的 Planner，用 **Prompt** 教会 ReAct 拆解任务就够了。

这样，你的 V2.6+ 架构就真正补齐了“右脑”的情商短板，变成了一个 **“有记忆、会主动、懂人情、能办事”** 的完整 Agent。