# **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。