# Day 12-13 - LLM适配器与对话系统完成 ✅

**完成时间：** 2025-10-10  
**开发阶段：** 里程碑1 - MVP开发  
**本日目标：** 完成LLM适配器、对话服务和流式输出(SSE)

---

## ✅ 完成清单

### LLM适配器层 ✅

#### 1. 类型定义和接口
- [x] **types.ts** - LLM适配器类型定义（57行）
  - `Message` - 消息结构（role, content）
  - `LLMOptions` - LLM调用参数
  - `LLMResponse` - 非流式响应
  - `StreamChunk` - 流式响应块
  - `ILLMAdapter` - 适配器接口
  - `ModelType` - 支持的模型类型

#### 2. DeepSeek适配器
- [x] **DeepSeekAdapter.ts** - DeepSeek-V3适配器（150行）
  - 非流式调用：`chat(messages, options)`
  - 流式调用：`chatStream(messages, options)`
  - SSE数据解析
  - 错误处理和重试
  - Token使用统计

#### 3. Qwen适配器
- [x] **QwenAdapter.ts** - Qwen3适配器（162行）
  - DashScope API集成
  - 非流式调用
  - 流式调用（X-DashScope-SSE）
  - 增量输出支持
  - 完整的错误处理

#### 4. LLM工厂类
- [x] **LLMFactory.ts** - 适配器工厂（75行）
  - `getAdapter(modelType)` - 获取适配器实例
  - 单例模式，缓存适配器
  - `clearCache()` - 清除缓存
  - `isSupported()` - 检查模型支持
  - `getSupportedModels()` - 获取支持列表

---

### 对话系统 ✅

#### 5. 对话服务层
- [x] **conversationService.ts** - 对话管理服务（381行）
  - **创建对话**：`createConversation()`
  - **获取对话列表**：`getConversations()`
  - **获取对话详情**：`getConversationById()`
  - **上下文组装**：`assembleContext()` - 系统Prompt + 历史消息 + 项目背景
  - **发送消息（非流式）**：`sendMessage()` - 完整响应后保存
  - **发送消息（流式）**：`sendMessageStream()` - SSE流式输出
  - **删除对话**：`deleteConversation()` - 软删除
  - 集成知识库上下文（预留Dify RAG接口）

#### 6. 对话控制器
- [x] **conversationController.ts** - API控制器（247行）
  - `createConversation()` - 创建新对话（201）
  - `getConversations()` - 获取对话列表（200）
  - `getConversationById()` - 获取对话详情（200/404）
  - `sendMessage()` - 非流式发送（200/400）
  - `sendMessageStream()` - SSE流式发送（200）
  - `deleteConversation()` - 删除对话（200/400）
  - 模型类型验证

#### 7. 对话路由
- [x] **conversations.ts** - RESTful API路由（36行）
  - `POST /api/v1/conversations` - 创建对话
  - `GET /api/v1/conversations` - 获取列表
  - `GET /api/v1/conversations/:id` - 获取详情
  - `POST /api/v1/conversations/message` - 发送消息
  - `POST /api/v1/conversations/message/stream` - 流式发送
  - `DELETE /api/v1/conversations/:id` - 删除对话

---

### 配置和环境 ✅

#### 8. 环境配置
- [x] **env.ts** - 环境变量管理（56行）
  - 服务器配置（port, host, logLevel）
  - 数据库配置
  - Redis配置
  - JWT配置
  - LLM API配置（DeepSeek, Qwen, Gemini）
  - Dify配置
  - 文件上传配置
  - CORS配置
  - `validateEnv()` - 环境验证

#### 9. 配置模板
- [x] **.env.example** - 环境变量模板（36行）
  - 完整的配置说明
  - API Key配置指南
  - 默认值参考

---

### 数据库更新 ✅

#### 10. Prisma Schema更新
- [x] **schema.prisma** - 数据模型更新
  - `Conversation` 模型添加字段：
    - `metadata` (Json?) - 对话元数据
    - `deletedAt` (DateTime?) - 软删除时间戳
  - `Message` 模型添加字段：
    - `model` (String?) - 使用的模型名称
  - 添加索引：`@@index([deletedAt])`

#### 11. 数据库迁移
- [x] **迁移文件** - `add_conversation_metadata_deletedAt`
  - 应用成功，数据库同步

---

### 依赖管理 ✅

#### 12. 新增依赖
- [x] `axios` - HTTP客户端，用于LLM API调用
- [x] `js-yaml` - YAML解析，用于智能体配置
- [x] `@types/js-yaml` - TypeScript类型定义
- [x] `zod` - Schema验证，用于请求验证

---

### 服务器集成 ✅

#### 13. 主服务器更新
- [x] 注册对话路由：`/api/v1/conversations`
- [x] 添加环境验证：启动时调用`validateEnv()`
- [x] 导入配置模块：`config`, `validateEnv`

---

## 📁 新增/修改文件

### 后端（9个新文件 + 4个修改）

**新增：**
1. `src/adapters/types.ts` - 57行
2. `src/adapters/DeepSeekAdapter.ts` - 150行
3. `src/adapters/QwenAdapter.ts` - 162行
4. `src/adapters/LLMFactory.ts` - 75行
5. `src/config/env.ts` - 56行
6. `src/services/conversationService.ts` - 381行
7. `src/controllers/conversationController.ts` - 247行
8. `src/routes/conversations.ts` - 36行
9. `.env.example` - 36行

**修改：**
10. `src/index.ts` - 添加对话路由注册（+5行）
11. `prisma/schema.prisma` - 更新Conversation和Message模型（+3行）
12. `package.json` - 添加新依赖（+4行）
13. `prisma/migrations/` - 新迁移文件

### 统计
- **新增代码：** ~1200行
- **新增文件：** 9个
- **修改文件：** 4个

---

## 🎯 技术亮点

### 1. 统一的LLM适配器接口

**设计优势：**
- 统一的`ILLMAdapter`接口，支持任意LLM
- 轻松扩展新模型（Gemini, Claude, GPT等）
- 工厂模式管理，单例缓存

**接口定义：**
```typescript
interface ILLMAdapter {
  modelName: string;
  chat(messages: Message[], options?: LLMOptions): Promise<LLMResponse>;
  chatStream(messages: Message[], options?: LLMOptions): AsyncGenerator<StreamChunk>;
}
```

---

### 2. 流式输出（SSE）

**DeepSeek流式实现：**
- 使用Axios `responseType: 'stream'`
- 解析SSE数据：`data: {...}` 和 `data: [DONE]`
- 逐块yield，实时响应

**Qwen流式实现：**
- 使用`X-DashScope-SSE: enable`头
- 支持`incremental_output`增量模式
- DashScope特殊SSE格式

**前端SSE接收：**
```typescript
reply.raw.writeHead(200, {
  'Content-Type': 'text/event-stream',
  'Cache-Control': 'no-cache',
  Connection: 'keep-alive',
});

for await (const chunk of conversationService.sendMessageStream(...)) {
  reply.raw.write(`data: ${JSON.stringify(chunk)}\n\n`);
}
```

---

### 3. 智能上下文组装

**上下文组装逻辑：**
1. 获取智能体的系统Prompt
2. 获取最近10条历史消息
3. 渲染用户Prompt模板（注入项目背景、知识库上下文）
4. 组装为LLM API格式的messages数组

**代码示例：**
```typescript
private async assembleContext(
  conversationId: string,
  agentId: string,
  projectBackground: string,
  userInput: string,
  knowledgeBaseContext?: string
): Promise<Message[]> {
  const systemPrompt = agentService.getSystemPrompt(agentId);
  const historyMessages = await prisma.message.findMany({
    where: { conversationId },
    orderBy: { createdAt: 'desc' },
    take: 10,
  });
  
  const renderedUserPrompt = agentService.renderUserPrompt(agentId, {
    projectBackground,
    userInput,
    knowledgeBaseContext,
  });

  return [
    { role: 'system', content: systemPrompt },
    ...historyMessages.map(msg => ({ role: msg.role, content: msg.content })),
    { role: 'user', content: renderedUserPrompt },
  ];
}
```

---

### 4. 模型参数配置

**从智能体配置读取：**
```typescript
const agent = agentService.getAgentById(conversation.agentId);
const modelConfig = agent?.models?.[modelType];

await adapter.chat(messages, {
  temperature: modelConfig?.temperature,
  maxTokens: modelConfig?.maxTokens,
  topP: modelConfig?.topP,
});
```

**不同模型不同参数：**
- DeepSeek-V3：`temperature: 0.4, maxTokens: 2000`
- Qwen3-72B：`temperature: 0.5, maxTokens: 2000`

---

### 5. 错误处理

**LLM API错误：**
```typescript
catch (error: unknown) {
  if (axios.isAxiosError(error)) {
    throw new Error(
      `DeepSeek API调用失败: ${error.response?.data?.error?.message || error.message}`
    );
  }
  throw error;
}
```

**控制器层错误：**
```typescript
catch (error: any) {
  reply.code(400).send({
    success: false,
    message: error.message || '发送消息失败',
  });
}
```

---

### 6. 知识库集成预留

**Dify RAG接口预留：**
```typescript
// 获取知识库上下文（如果有@知识库）
let knowledgeBaseContext = '';
if (knowledgeBaseIds && knowledgeBaseIds.length > 0) {
  // TODO: 调用Dify RAG获取知识库上下文
  knowledgeBaseContext = '相关文献内容...';
}
```

**准备工作已完成：**
- 数据库已有`KnowledgeBase`和`Document`模型
- Dify配置已在`env.ts`中定义
- 消息metadata中已保存`knowledgeBaseIds`

---

## 📊 API接口文档

### 1. 创建对话
```http
POST /api/v1/conversations
Content-Type: application/json

{
  "projectId": "uuid",
  "agentId": "topic-evaluation",
  "title": "研究选题讨论"
}
```

**响应（201）：**
```json
{
  "success": true,
  "data": {
    "id": "uuid",
    "userId": "uuid",
    "projectId": "uuid",
    "agentId": "topic-evaluation",
    "title": "研究选题讨论",
    "metadata": {
      "agentName": "选题评价智能体",
      "agentCategory": "选题阶段"
    },
    "createdAt": "2025-10-10T12:30:00Z",
    "updatedAt": "2025-10-10T12:30:00Z"
  }
}
```

---

### 2. 获取对话列表
```http
GET /api/v1/conversations?projectId=uuid
```

**响应（200）：**
```json
{
  "success": true,
  "data": [
    {
      "id": "uuid",
      "title": "研究选题讨论",
      "agentId": "topic-evaluation",
      "project": {
        "id": "uuid",
        "name": "心血管疾病研究"
      },
      "_count": {
        "messages": 15
      },
      "updatedAt": "2025-10-10T12:30:00Z"
    }
  ]
}
```

---

### 3. 发送消息（非流式）
```http
POST /api/v1/conversations/message
Content-Type: application/json

{
  "conversationId": "uuid",
  "content": "请评价这个研究选题：高血压患者的依从性研究",
  "modelType": "deepseek-v3",
  "knowledgeBaseIds": ["uuid1", "uuid2"]
}
```

**响应（200）：**
```json
{
  "success": true,
  "data": {
    "userMessage": {
      "id": "uuid",
      "role": "user",
      "content": "请评价这个研究选题...",
      "createdAt": "2025-10-10T12:30:00Z"
    },
    "assistantMessage": {
      "id": "uuid",
      "role": "assistant",
      "content": "这是一个很有价值的研究选题...",
      "model": "deepseek-chat",
      "tokens": 1250,
      "createdAt": "2025-10-10T12:30:05Z"
    },
    "usage": {
      "promptTokens": 850,
      "completionTokens": 400,
      "totalTokens": 1250
    }
  }
}
```

---

### 4. 发送消息（流式）
```http
POST /api/v1/conversations/message/stream
Content-Type: application/json

{
  "conversationId": "uuid",
  "content": "请评价这个研究选题：高血压患者的依从性研究",
  "modelType": "deepseek-v3"
}
```

**响应（200 - SSE流）：**
```
data: {"content":"这","done":false}

data: {"content":"是","done":false}

data: {"content":"一个","done":false}

...

data: {"content":"。","done":true,"usage":{"promptTokens":850,"completionTokens":400,"totalTokens":1250}}

data: [DONE]
```

---

### 5. 获取对话详情
```http
GET /api/v1/conversations/:id
```

**响应（200）：**
```json
{
  "success": true,
  "data": {
    "id": "uuid",
    "title": "研究选题讨论",
    "agentId": "topic-evaluation",
    "project": {
      "id": "uuid",
      "name": "心血管疾病研究",
      "background": "研究心血管疾病的...",
      "researchType": "observational"
    },
    "messages": [
      {
        "id": "uuid",
        "role": "user",
        "content": "请评价...",
        "createdAt": "2025-10-10T12:30:00Z"
      },
      {
        "id": "uuid",
        "role": "assistant",
        "content": "这是一个...",
        "model": "deepseek-chat",
        "tokens": 1250,
        "createdAt": "2025-10-10T12:30:05Z"
      }
    ],
    "createdAt": "2025-10-10T12:00:00Z",
    "updatedAt": "2025-10-10T12:30:05Z"
  }
}
```

---

### 6. 删除对话
```http
DELETE /api/v1/conversations/:id
```

**响应（200）：**
```json
{
  "success": true,
  "message": "对话已删除"
}
```

---

## 🧪 测试验证

### 1. 后端构建 ✅
```bash
cd backend
npm run build
✅ TypeScript编译通过
✅ 无错误
✅ 生成dist/目录
```

### 2. Prisma生成 ✅
```bash
npx prisma generate
✅ Prisma Client生成成功
✅ 类型定义更新
```

### 3. 数据库迁移 ✅
```bash
npx prisma migrate dev
✅ 迁移文件创建
✅ 数据库schema同步
```

### 4. 依赖安装 ✅
```bash
npm install axios js-yaml zod @types/js-yaml
✅ 所有依赖安装成功
```

---

## ⚠️ 使用前准备

### 1. 配置环境变量

**创建`.env`文件：**
```bash
cp .env.example .env
```

**配置LLM API Keys：**
```env
# DeepSeek API Key (必需)
DEEPSEEK_API_KEY=sk-your-deepseek-api-key

# Qwen API Key (必需)
QWEN_API_KEY=sk-your-qwen-api-key

# 其他可选配置
PORT=3001
DATABASE_URL=postgresql://postgres:postgres@localhost:5432/ai_clinical_research
```

**获取API Keys：**
- DeepSeek: https://platform.deepseek.com/
- Qwen (通义千问): https://dashscope.aliyun.com/

---

### 2. 手动功能测试（需要API Key）

#### 测试创建对话
```bash
curl -X POST http://localhost:3001/api/v1/conversations \
  -H "Content-Type: application/json" \
  -d '{
    "projectId": "your-project-id",
    "agentId": "topic-evaluation",
    "title": "测试对话"
  }'
```

#### 测试流式发送（使用curl）
```bash
curl -X POST http://localhost:3001/api/v1/conversations/message/stream \
  -H "Content-Type: application/json" \
  -d '{
    "conversationId": "your-conversation-id",
    "content": "请简单介绍一下临床研究",
    "modelType": "deepseek-v3"
  }' \
  --no-buffer
```

---

## 💡 设计决策

### 1. 为什么使用适配器模式？
- ✅ 统一接口，易于扩展新模型
- ✅ 隔离各LLM的API差异
- ✅ 便于测试和mock
- ✅ 支持模型切换

### 2. 为什么使用AsyncGenerator？
- ✅ 原生支持异步迭代
- ✅ 内存高效，逐块yield
- ✅ 易于与SSE集成
- ✅ 代码简洁清晰

### 3. 为什么保存完整对话历史？
- ✅ 支持上下文记忆
- ✅ 便于审核和分析
- ✅ 可溯源，提高可信度
- ✅ 方便后续优化Prompt

### 4. 为什么软删除对话？
- ✅ 数据安全，可恢复
- ✅ 审计追踪
- ✅ 统计分析需要
- ✅ 符合医疗数据管理规范

---

## 📈 项目进度

```
里程碑1 MVP开发进度：85%
├── ✅ Day 4: 环境搭建
├── ✅ Day 5: 后端基础架构
├── ✅ Day 6: 前端基础架构
├── ✅ Day 7: 前端完整布局
├── ✅ Day 8-9: 项目管理API
├── ✅ Day 10-11: 智能体配置系统
├── ✅ Day 12-13: LLM适配器 + 对话系统 ⭐ ← 刚完成
└── ⏳ Day 14-17: 前端对话界面 + 知识库（最后15%）
```

---

## 📤 Git提交

```bash
commit ccc09c6
feat: Day 12-13 - LLM Adapters and Conversation System completed

后端：
- 创建LLM适配器类型和接口
- 实现DeepSeekAdapter（流式+非流式）
- 实现QwenAdapter（流式+非流式）
- 创建LLMFactory工厂类
- 创建env.ts环境配置
- 添加.env.example配置模板
- 创建conversationService完整CRUD和流式
- 创建conversationController SSE支持
- 创建conversation路由
- 更新Prisma schema
- 执行数据库迁移
- 注册对话路由到主服务器
- 添加启动时环境验证

依赖：
- 安装axios用于LLM API调用
- 安装js-yaml用于YAML配置解析
- 安装zod用于验证

构建：后端构建成功

新增文件：
- src/adapters/types.ts (57行)
- src/adapters/DeepSeekAdapter.ts (150行)
- src/adapters/QwenAdapter.ts (162行)
- src/adapters/LLMFactory.ts (75行)
- src/config/env.ts (56行)
- src/services/conversationService.ts (381行)
- src/controllers/conversationController.ts (247行)
- src/routes/conversations.ts (36行)
- .env.example (36行)

总计：~1200行新代码
```

---

## 🎓 经验总结

### 做得好的地方 ✅
1. **适配器统一接口**：易于扩展新模型
2. **流式输出实现**：SSE实时响应，用户体验好
3. **上下文智能组装**：系统Prompt + 历史 + 项目背景
4. **模型参数配置化**：从智能体配置读取
5. **完整的错误处理**：LLM API、控制器、验证
6. **知识库预留**：为Dify RAG集成做好准备

### 改进空间 🔧
1. **LLM调用重试**：添加指数退避重试机制
2. **流式超时处理**：长时间无响应的超时控制
3. **Token计费**：实时统计和限额管理
4. **缓存优化**：相似问题的回复缓存
5. **异步队列**：高并发场景的消息队列
6. **监控告警**：LLM API调用成功率、延迟监控

---

## 🔜 下一步工作（Day 14-17）

### 1. 前端对话界面开发
- 对话消息列表组件
- 消息输入框组件
- 流式输出动画
- Markdown渲染
- 代码高亮
- 模型切换UI

### 2. 知识库集成
- Dify API调用
- @知识库交互
- 文档上传和处理
- 引用溯源显示
- 知识库管理界面

### 3. 功能完善
- 对话历史浏览
- 消息搜索
- 对话导出
- 错误重试
- 离线提示

**预计完成：** MVP系统100%完成，可进行端到端测试

---

**Day 12-13 任务完成！** 🎉  
**下一步：** 前端对话界面和知识库集成

**注意：** 需要配置DeepSeek和Qwen API Key才能进行实际对话测试！