# **IIT Manager Agent V2.8：记忆检索与路由逻辑详解**

**核心机制：** 意图驱动的按需检索 (Intent-Driven Retrieval)

**目的：** 既保证 AI 懂当下（Hot），又保证 AI 懂历史（History），同时节省 Token。

## **1\. 记忆存储全景图 (Storage Map)**

在 V2.8 中，我们有三个核心存储位置，各司其职：

| 记忆类型 | 存储表 | 字段 | 内容特征 | 更新频率 |
| :---- | :---- | :---- | :---- | :---- |
| **1\. 流水账 (Raw Stream)** | iit\_conversation\_history | content (JSON) | 未经加工的原始对话。 | **实时** (每秒) |
| **2\. 热记忆 (Hot Context)** | iit\_project\_memory | config (Markdown) | 用户偏好、当前状态、系统禁令。 | **每日** (AI 提炼) |
| **3\. 历史书 (Weekly Reports)** | iit\_weekly\_reports | summary (Text) | 高度浓缩的周报、关键决策、踩坑记录。 | **每周** (AI 归档) |

## **2\. 调取顺序与逻辑 (Retrieval Logic)**

当 PI 发问时，系统并不是一股脑把所有记忆都塞进去，而是分三步走：

### **第一步：无条件注入 (Always On)**

**无论 PI 问什么，必须先注入“热记忆”。**

* **来源**：iit\_project\_memory  
* **内容**：用户偏好（如“PI 喜欢简报”）、当前项目状态。  
* **理由**：这是 Agent 的“人设”和“底线”，一刻也不能忘。

### **第二步：意图识别 (Intent Detection)**

系统分析 PI 的问题，判断他想问“现在”还是“过去”。

* **情况 A：问现在/执行任务** (如 "查下 P001", "生成本周周报")  
  * **动作**：**不调取** 历史书。  
  * **理由**：解决当下问题不需要翻阅 3 年前的老黄历，避免干扰 AI。  
  * **Context** \= Hot Memory \+ Current Task Data  
* **情况 B：问历史/趋势/回顾** (如 "回顾下去年的入组情况", "我们为什么暂停了筛选？")  
  * **动作**：**全量调取** 历史书 (iit\_weekly\_reports)。  
  * **理由**：需要上帝视角。  
  * **Context** \= Hot Memory \+ All Weekly Reports

### **第三步：上下文组装 (Prompt Assembly)**

最终发给 LLM 的 Prompt 是这样组装的：

\[System Prompt\]  
你是一个临床研究助手...

\[Hot Memory\] (来自 iit\_project\_memory)  
\- 用户偏好: 简洁、数据驱动  
\- 当前状态: 入组阶段

\[History Context\] (仅在情况 B 下注入)  
Week 1: 启动项目...  
Week 2: 发现 P001 不良事件...  
...  
Week 50: 决定放宽标准...

\[User Question\]  
我们之前为什么暂停筛选？

## **3\. 实战场景演示 (Scenario Walkthrough)**

### **场景 1：PI 问 "P001 入组了吗？"**

1. **加载 Hot Memory**：获取偏好（简洁回复）。  
2. **意图识别**：QUERY\_DATA (查数据)。  
3. **决策**：**不需要** 查历史书。  
4. **行动**：调用 read\_clinical\_data 工具去 REDCap 查实时数据。  
5. **回答**："已入组，时间是 2026-02-05。"

### **场景 2：PI 问 "最近入组太慢了，我们之前有没有讨论过怎么解决？"**

1. **加载 Hot Memory**：获取偏好。  
2. **意图识别**：QUERY\_HISTORY (查历史决策)。  
3. **决策**：**需要** 查历史书。  
4. **行动**：  
   * 从 iit\_weekly\_reports 拉取过去 20 周的 summary。  
   * 拼接成 3000 字的文本。  
   * 喂给 LLM。  
5. **LLM 思考**：阅读周报，发现 Week 12 记录了“增加受试者交通补贴”的决策，Week 15 记录了“在门诊增派 CRC”的决策。  
6. **回答**："我们曾在第 12 周尝试增加补贴，第 15 周增派了 CRC，当时效果有短暂提升..."

### **场景 3：PI 问 "我上次跟你说的那个只要看结果的规矩，你记得吗？"**

1. **加载 Hot Memory**：获取偏好。  
2. **AI 自检**：在 Hot Memory 里看到了 \- \[PI\]: 只要看结果 这条记录。  
3. **回答**："记得的，教授。您要求汇报时只列数据结论，不要冗长的过程描述。我会严格遵守。"  
   * *注意：这个问题不需要查周报，也不需要查流水账，直接看 Hot Memory 就行。*

## **4\. 总结：给开发者的伪代码**

// ChatService.ts

async handleMessage(userId, message) {  
  // 1\. 总是加载热记忆 (Hot)  
  const hotMem \= await prisma.iitProjectMemory.findUnique(...);  
    
  // 2\. 意图识别  
  const intent \= await this.intentService.detect(message);  
    
  let historyContext \= "";  
    
  // 3\. 按需加载历史书 (History)  
  if (intent.type \=== 'QUERY\_HISTORY' || intent.type \=== 'ANALYZE\_TREND') {  
    const reports \= await prisma.iitWeeklyReport.findMany({  
      orderBy: { weekNumber: 'asc' }  
    });  
    historyContext \= reports.map(r \=\> \`\[W${r.weekNumber}\]: ${r.summary}\`).join('\\n');  
  }  
    
  // 4\. 组装最终 Prompt  
  const finalPrompt \= \`  
    ${hotMem.content}  
    ${historyContext}  
    User: ${message}  
  \`;  
    
  // 5\. 调用 LLM  
  return await this.llm.chat(finalPrompt);  
}

**记住这个口诀：**

**“偏好时刻带，历史按需查，流水账只用来生成周报。”**

## **5\. 复杂度控制与防失控指南 (Safety Guardrails)**

为了防止系统变得“复杂不可控”，请严格遵守以下开发军规：

### **5.1 容量限制 (The Cap)**

* **Hot Memory**: 限制在 **2000 Tokens** 以内。如果超标，触发 MemoryPruningJob (记忆修剪任务)，让 AI 自动总结或通知管理员手动删除。  
* **History Book**: 每次加载不超过 **50 周** 的周报。如果项目运行了 10 年，只加载最近 1 年的周报，或者先让 AI 生成“年度总结”。

### **5.2 隔离原则 (Isolation)**

* **任务隔离**：执行 QC\_TASK (质控) 时，**严禁**加载 History Context。质控必须基于当下的事实，不能受历史干扰。  
* **数据隔离**：LLM 永远没有权限直接读取 iit\_conversation\_history 表。这条物理隔绝保证了 Agent 永远不会被海量噪音淹没。

### **5.3 人工介入 (The Kill Switch)**

* **可读可改**：后台必须提供 Hot Memory 的编辑器。如果 Agent 记住了错误的规则（例如“不需要查年龄”），医生可以直接进去删掉那一行 Markdown。**这是系统失控时的“急停按钮”。**