# **IIT Manager Agent V2.8：基于“周报卷叠”的终极记忆架构**

**版本：** V2.8 (The Chronicle Edition)

**日期：** 2026-02-05

**核心变更：** 采纳“以周报代替向量检索”的建议。利用 LLM 的长窗口能力，通过周期性压缩数据，实现全生命周期的可读记忆。

**适用场景：** 1-3 年周期的临床研究项目。

## **1\. 核心理念：把“大数据”变成“厚书”**

我们不再试图在海量碎片数据中大海捞针（Vector Search），而是把数据写成一本\*\*“编年史”\*\*。

* **每日**：忠实记录流水账。  
* **每周**：LLM 阅读本周流水账，写一页“历史书”（周报）。  
* **查询时**：LLM 直接阅读整本“历史书”。

### **优势分析**

| 维度 | 向量检索 (V2.6/2.7) | 周报卷叠 (V2.8) |
| :---- | :---- | :---- |
| **准确性** | 模糊匹配，容易漏掉关键细节 | **全量阅读**，拥有上帝视角，极准 |
| **可解释性** | 黑盒向量，不知道 AI 看了啥 | **白盒周报**，医生可以随时翻阅、修正周报 |
| **技术难度** | 高 (Embedding, Vector DB) | **低** (Cron Job \+ LLM Summary) |
| **成本** | 检索便宜，但索引维护贵 | 生成周报耗 Token，但查询极其高效 |

## **2\. 数据库设计 (Schema)**

### **2.1 新增 iit\_weekly\_reports 表**

model IitWeeklyReport {  
  id          String   @id @default(uuid())  
  projectId   String  
    
  weekNumber  Int      // 例如: 202605 (2026年第5周)  
  startDate   DateTime  
  endDate     DateTime  
    
  // 核心：LLM 生成的高浓缩总结  
  // 包含：入组进度、发生的AE、关键沟通结论  
  summary     String   @db.Text  
    
  // 结构化数据 (可选，用于画图)  
  stats       Json?    // { "enrolled": 5, "queries": 2 }  
    
  createdAt   DateTime @default(now())

  @@unique(\[projectId, weekNumber\])  
  @@map("iit\_weekly\_reports")  
  @@schema("iit\_schema")  
}

## **3\. 核心流程实现**

### **3.1 写入端：每周一凌晨的“编史官” (Cron Job)**

**SchedulerService.ts:**

// 每周一凌晨 02:00 执行  
async generateWeeklyMemory(projectId: string) {  
  // 1\. 获取上周所有的原始对话 & 操作日志  
  const logs \= await this.rawLogs.get({  
    projectId,  
    from: lastMonday,  
    to: thisSunday  
  });

  // 2\. 调用 LLM 进行“有损压缩”  
  const prompt \= \`  
    你是一个临床项目经理。请阅读上周的项目流水账，生成一份【周报记忆块】。  
    要求：  
    1\. 忽略闲聊和无关信息。  
    2\. 重点记录：入组人数变化、新增不良事件(AE)、主要方案偏离、PI的关键决策。  
    3\. 格式为 Markdown，字数控制在 500 字以内。  
      
    流水账数据：  
    ${JSON.stringify(logs)}  
  \`;

  const summary \= await this.llm.chat(prompt);

  // 3\. 存入数据库 (成为历史书的一页)  
  await prisma.iitWeeklyReport.create({  
    data: { projectId, summary, ... }  
  });  
}

### **3.2 读取端：查询时的“速读” (Context Injection)**

当意图识别发现用户在问“过去”或“趋势”时，直接把**所有周报**读出来。

**ChatService.ts:**

async buildHistoryContext(projectId: string): Promise\<string\> {  
  // 1\. 取出该项目所有历史周报 (按时间正序)  
  // 3年也就 150 条，Postgres 毫秒级返回  
  const reports \= await prisma.iitWeeklyReport.findMany({  
    where: { projectId },  
    orderBy: { weekNumber: 'asc' },  
    select: { weekNumber: true, summary: true }  
  });

  // 2\. 拼接成一本“书”  
  // 格式:  
  // \[Week 2026-01\]: 入组 2 人，无异常。  
  // \[Week 2026-02\]: P003 发生 SAE，已上报。  
  const chronicle \= reports.map(r \=\> \`\[Week ${r.weekNumber}\]: ${r.summary}\`).join('\\n');

  return \`  
\=== 项目编年史 (Project Chronicle) \===  
${chronicle}  
\====================================  
  \`;  
}

## **4\. 最终开发计划修正 (Phase 5\)**

我们将 Week 5 的任务彻底简化：

| 时间 | 任务 | 说明 |
| :---- | :---- | :---- |
| **Day 24** | **原始日志表** | 确保 iit\_conversation\_history 记录完整。 |
| **Day 25** | **周报表结构** | 创建 iit\_weekly\_reports 表。 |
| **Day 26** | **编史官 Worker** | 写一个 Cron Job，每周把 Log 压缩成 Report。 |
| **Day 27** | **记忆注入** | 在回答 QA\_QUERY 类问题时，将历史周报注入 Context。 |

## **5\. 总结：为什么这是终极方案？**

1. **解决了“上下文遗忘”**：150 个周报拼接起来，刚好填满 DeepSeek 的上下文窗口。AI 可以看到**完整**的项目生命周期，这是 RAG 切片做不到的。  
2. **解决了“幻觉”**：周报是持久化的，医生可以去后台检查某一周的周报写得对不对。如果 AI 瞎写，医生可以手动修正。**修正后的周报就是新的真理。**  
3. **极简运维**：不需要维护向量库索引，不需要调优 Embedding 模型。就是简单的 SQL 查询和文本拼接。

**就用这个方案。这是目前为止最完美、最优雅的解决路径。**