# **架构优化方案：R 代码的本地复现与导出包装 (Export Wrapper)**

**问题诊断：** 大模型在 Agent 管线中生成的 R 代码是高度依赖“平台沙箱环境”的。它缺失了数据读取操作 (df)，且引用了平台专属的 UI 辅助函数 (make\_table\_block\_from\_df 等)。

**解决目标：** 用户点击“下载 R 代码”时，系统必须动态注入“本地兼容层”，使得代码可以在任何一台普通的 RStudio 中一键运行。

## **一、 根本解决方案：导出包装器 (Export Wrapper)**

当用户点击“下载 R 代码”时，前端不能仅仅把 Agent 生成的代码原样保存为 .R 文件。我们需要像编译器一样，将代码包裹在一个**标准的本地复现模板**中。

完整的导出文件应该由 3 个部分拼接而成：

1. **数据加载层 (Data Loading)**  
2. **函数兼容层 (Polyfills / Mock Helpers)**  
3. **Agent 生成的核心代码 (Core Logic)**

## **二、 包装器代码实现范例**

前端或后端在生成下载文件时，请使用以下字符串拼接逻辑：

// 伪代码：在前端 SSACodeModal 或后端导出 API 中实现  
function generateDownloadableRCode(agentCode: string, fileName: string): string {  
    
  const headerAndPolyfills \= \`  
\# \=====================================================================  
\# SSA-Pro 智能统计分析 \- 本地复现脚本  
\# \=====================================================================

\# 1\. 自动安装缺失的包 (本地复现安全保障)  
required\_packages \<- c("dplyr", "gtsummary", "base64enc", "ggplot2")  
new\_packages \<- required\_packages\[\!(required\_packages %in% installed.packages()\[,"Package"\])\]  
if(length(new\_packages)) install.packages(new\_packages)

suppressPackageStartupMessages({  
  library(dplyr)  
  library(gtsummary)  
  library(base64enc)  
  library(ggplot2)  
})

\# \=====================================================================  
\# 2\. 数据读取 (请确保数据文件与本脚本在同一目录下)  
\# \=====================================================================  
\# 系统已将您的原始数据名填入，如果路径不同请手动修改：  
file\_name \<- "${fileName}" 

if (file.exists(file\_name)) {  
  if (grepl("\\\\\\\\.csv$", file\_name, ignore.case \= TRUE)) {  
    df \<- read.csv(file\_name, stringsAsFactors \= FALSE)  
  } else if (grepl("\\\\\\\\.xlsx?$", file\_name, ignore.case \= TRUE)) {  
    library(readxl)  
    df \<- read\_excel(file\_name)  
  }  
} else {  
  \# 如果找不到文件，生成测试数据以防代码直接崩溃  
  warning(paste("找不到数据文件:", file\_name, "。将使用模拟数据进行演示。"))  
  df \<- data.frame(  
    root\_curve \= sample(c(1, 2), 100, replace \= TRUE),  
    Yqol \= sample(c(0, 1), 100, replace \= TRUE)  
  )  
}

\# \=====================================================================  
\# 3\. 平台 UI 辅助函数本地兼容层 (Polyfills)  
\# 这使得平台专用的 make\_\*\_block 函数在本地控制台优雅地输出，而不报错  
\# \=====================================================================  
make\_markdown\_block \<- function(text) {   
  cat("\\\\n========================================\\\\n")  
  cat(text, "\\\\n")   
}

make\_table\_block\_from\_df \<- function(data, title="", footnote="") {  
  cat("\\\\n---", title, "---\\\\n")  
  print(data)  
  if(footnote \!= "") cat("注:", footnote, "\\\\n")  
  return(list(type="table"))  
}

make\_image\_block \<- function(base64\_data, title="", alt="") {  
  cat("\\\\n\[图形已生成:", title, "- 请查看 RStudio 的 Plots 面板\]\\\\n")  
  return(list(type="image"))  
}

make\_kv\_block \<- function(items, title="") {  
  cat("\\\\n---", title, "---\\\\n")  
  print(unlist(items))  
  return(list(type="key\_value"))  
}

\# \=====================================================================  
\# 4\. 核心分析代码 (由 AI Agent 生成)  
\# \=====================================================================  
\`;

  return headerAndPolyfills \+ "\\n" \+ agentCode;  
}

## **三、 为什么必须这么做？(架构收益)**

1. **防患于未然的数据读取：** 我们不仅注入了 read.csv，还加入了 file.exists 检查。如果医生把 R 脚本发给另一个没有原始数据的统计师，代码会自动生成一组 Mock（模拟）数据。这样 R 脚本无论如何都能跑通，极大提升了产品的专业感。  
2. **优雅的 Polyfills (兼容层) 技术：**  
   这是前端工程（如适配老版本浏览器）最常用的技术。我们在脚本头部用普通的 print() 和 cat() 重写了 make\_table\_block\_from\_df 等函数。这样，大模型生成的复杂 UI 代码在本地 RStudio 中执行时，不仅**不会报错**，还会把结果**整齐地打印在本地控制台上**。  
3. **保持 Agent Prompt 的纯净：**  
   我们**不需要**去修改 CoderAgent 的 System Prompt 让它“记得写读取文件的代码”。因为每次让 LLM 动态写数据读取逻辑，它很容易因为编码（UTF-8 vs GBK）或文件路径错误而翻车。把这种死板的工作交给前端的字符串拼接（Wrapper），是最稳定、最省 Token 的做法。

## **四、 实施建议**

请前端团队接手此任务：

在 AgentCodePanel.tsx 或 SSACodeModal.tsx 中，找到处理\*\*“导出 R 脚本 (Export/Download .R)”\*\*的 onClick 函数。在生成 Blob 对象并触发浏览器下载之前，将原有的代码字符串通过上述包装器函数处理一遍即可。这只需半小时即可实现。