# **RVW V2.0 架构升级方案：基于 Skills 的柔性审稿引擎**

**文档版本：** v2.0 (Strategic Release)

**最后更新：** 2026-02-16

**核心理念：** **认知依赖注入 (Cognitive Dependency Injection)** —— 将审稿能力封装为原子化的 Skills，通过配置引擎（Profile）动态注入给 SOP 引擎（报告）和 ReAct 引擎（对话）。

**架构依据：** 基于《AI Skills 落地应用探讨》与中英文期刊差异化需求。

## **1\. 核心定义：什么是 RVW Skills？**

在 V2.0 架构中，Skill 不再是一个简单的函数，它是连接\*\*非确定性大模型（LLM）**与**确定性业务系统（Code）\*\*的桥梁。

一个标准的 **RVW Skill** 包含三个不可分割的部分（Schema First 原则）：

1. **语义接口 (Semantic Interface)**：告诉 LLM "什么时候用"（例如："当需要验证药物剂量时调用"）。  
2. **数据契约 (Schema)**：严格定义的输入输出结构（例如：drug\_name: string, dosage: number），确保代码执行的安全性。  
3. **原生函数 (Native Function)**：实际执行任务的代码（Python/SQL），**“推理在模型，执行在代码”**。

## **2\. 总体架构：双脑协同与护栏防御体系**

我们摒弃了 V1.0 的线性流程，采用了 **“双脑协同 \+ 中间件护栏”** 的立体架构。

### **系统架构图**

graph TD  
    subgraph "输入层"  
        Doc\[稿件 PDF/Word\]  
        Profile\[期刊配置 Profile\]  
    end

    subgraph "Layer 1: 护栏中间件 (Middleware Guardrails)"  
        direction TB  
        SafeGuard\[🛡️ 政治与合规护栏\]  
        note1\[Pre-Hook: OCR地图/敏感词拦截\<br\>Post-Hook: 幻觉检测\]  
    end

    subgraph "Layer 2: 审稿编排引擎 (The Core)"  
        Registry\[🧩 Skills Registry 技能注册表\]  
        Router\[🚦 Skill Router 动态路由\]  
        Context\[Shared Context 共享上下文\]  
    end

    subgraph "Layer 3: 原子能力库 (Skills)"  
        direction BT  
        S\_Native\[🐍 Python计算 Skill\<br\>(数据造假/统计验证)\]  
        S\_RAG\[🧠 知识检索 Skill\<br\>(医学常识/pgvector)\]  
        S\_Search\[🌍 外部搜索 Skill\<br\>(竞品对标/ASL联动)\]  
        S\_Logic\[⚖️ 逻辑校验 Skill\<br\>(入排标准/pg\_bigm)\]  
    end

    subgraph "输出层 (双脑应用)"  
        SOP\[🧠 左脑: SOP 流程引擎\<br\>(生成静态审稿报告)\]  
        ReAct\[🧠 右脑: ReAct 对话引擎\<br\>(交互式学术 Copilot)\]  
    end

    Doc \--\> SafeGuard  
    SafeGuard \--阻断/通过--\> Router  
    Profile \--\> Router  
      
    Router \--动态加载--\> Registry  
    Registry \<--\> S\_Native & S\_RAG & S\_Search & S\_Logic  
      
    Registry \--\> SOP  
    Registry \--\> ReAct  
      
    SOP \--\> Context  
    Context \<--\> ReAct

## **3\. 三层防御与赋能体系 (The 3-Layer Capability)**

### **Layer 1: 政治与合规护栏 (Middleware Guardrail)**

*针对痛点：中文期刊的政治红线（地图、涉敏言论）。*

* **性质**：这不是一个可选的 Skill，而是系统级的 **Interceptor (拦截器)**。  
* **机制**：  
  * **Pre-Hook (输入前)**：  
    * 调用 OCR 识别图片 \-\> 匹配“中国地图特征库” \-\> 缺失藏南/南海 \-\> **熔断拒稿**。  
    * 扫描全文 \-\> 匹配“高危敏感词库” \-\> 命中 \-\> **熔断拒稿**。  
  * **Post-Hook (输出后)**：  
    * 扫描 LLM 生成的审稿意见，防止 AI 产生不当言论。  
* **配置策略**：中文核心期刊强制开启 (Blocker 级别)，英文期刊可降级为 Warning 或关闭。

### **Layer 2: 原生计算能力 (Native Execution Skills)**

*针对痛点：数据造假、统计学错误。*

* **核心原则**：LLM **只写参数，不负责计算**。  
* **典型 Skill：DataForensicsSkill (数据侦探)**  
  * **Step 1 (LLM)**：从 Markdown 表格中提取数据，生成 JSON：{"group\_a\_n": 50, "group\_a\_mean": 12.5, "group\_a\_sd": 2.1}。  
  * **Step 2 (Python)**：调用 scipy 库复核 P 值，使用 Benford's Law (本福特定律) 检查首位数字分布。  
  * **Step 3 (LLM)**：根据 Python 返回的 {"p\_value\_consistent": false, "benford\_score": 0.04} 生成自然语言警告。

### **Layer 3: 学术智慧能力 (RAG & Agent Skills)**

*针对痛点：医学常识错误、竞品对标。*

* **典型 Skill：MedicalLogicSkill (常识校验)**  
  * **底层支持**：利用 **Postgres (pgvector)** 挂载《临床用药指南》和《诊断学参考值》。  
  * **流程**：提取“卡托普利 500mg” \-\> 向量检索知识库 \-\> 发现正常范围是 12.5-50mg \-\> 触发警告。  
* **典型 Skill：BenchmarkSkill (竞品对标)**  
  * **联动**：调用 ASL (智能文献) 模块 API。  
  * **流程**：搜索相似文献 \-\> 对比样本量与方法学 \-\> 生成“竞争力分析报告”。

## **4\. 固定的 vs. 可配置的 (Architecture Boundary)**

基于“工厂模式”理念，我们将系统划分为“流水线（固定）”和“模具（可配置）”。

### **✅ 固定的 (Infrastructure \- 平台底座)**

所有期刊共用，不随业务变化：

1. **Middleware Pipeline**：支持 Pre/Post Hook 的拦截器架构。  
2. **Skill Registry**：技能注册与发现机制。  
3. **Postgres-Only Stack**：  
   * pgvector：承载医学知识库、稿件内容记忆。  
   * pg\_bigm：承载精确的术语匹配（如药物名）。  
   * pg-boss：承载长耗时任务（如全网文献对标）。  
4. **Python Microservice**：提供 OCR、PDF 解析、统计计算等“硬核”算力。

### **🎛️ 可配置的 (Journal Profile \- 业务逻辑)**

通过 JSON 配置定义，适应不同期刊：

1. **Guardrail Strictness (护栏严格度)**：  
   * "political\_check": "BLOCKER" (中文核心) vs "WARNING" (普通期刊)。  
2. **Skill Selection (技能组合)**：  
   * **中文组合**：DataForensics \+ MedicalLogic \+ Editorial\_CN。  
   * **英文组合**：Methodology\_CONSORT \+ Benchmark\_PubMed \+ Editorial\_EN。  
3. **Chat Persona (对话人格)**：  
   * "persona": "严厉的政治审查员" vs "persona": "建设性的学术导师"。

## **5\. 场景演练：从上传到对话**

### **场景 A：中文核心期刊（政治与数据为王）**

1. **上传**：文件经过 **Layer 1 护栏**。OCR 发现地图缺失，直接抛出 FatalError: MapIntegrityViolation，流程终止。用户收到拒稿通知。  
2. **修正后上传**：通过护栏。  
3. **SOP 引擎**：自动调用 DataForensicsSkill。Python 后端发现“表1数据标准差异常”，写入报告。  
4. **ReAct 引擎 (Chat)**：用户问：“为什么说我数据有问题？”  
   * Chat Agent 读取 Shared Context。  
   * 回答：“根据 Benford 定律检测，您数据的首位数字分布偏离自然规律 30%，建议复核原始记录。”

### **场景 B：英文顶刊（创新与对标为王）**

1. **上传**：跳过政治护栏（配置为通过）。  
2. **SOP 引擎**：调用 BenchmarkSkill。ASL 模块检索到 3 篇上个月发表的类似文章，样本量均大于本稿件。  
3. **报告生成**：在“创新性评估”一栏标注：“样本量竞争力不足 (Low Competitiveness)”。  
4. **ReAct 引擎 (Chat)**：用户问：“我该怎么修改才能达到发表标准？”  
   * Chat Agent 调用 MethodologySkill。  
   * 回答：“建议参考 *Smith et al. (2025)* 的多中心设计，将样本量扩充至 200 例，并补充亚组分析。”

## **6\. 开发实施路线图 (Implementation Roadmap)**

### **Phase 1: 基础设施与定义 (Infrastructure)**

* \[ \] **定义 Schema**：在 backend/src/modules/rvw/skills/definitions/ 下定义 SkillInterface 和各类 Skill 的 JSON Schema。  
* \[ \] **建立 Registry**：实现简单的内存级 Skill 注册表。

### **Phase 2: 护栏与原生技能 (The Hard Stuff)**

* \[ \] **实现 Middleware**：在 Document Service 中插入 Pre-Hook 逻辑。  
* \[ \] **开发 Python Skills**：在 python-extraction 服务中新增 /analyze-table 和 /ocr-check 接口。  
* \[ \] **实现 PoliticalGuardrail**：基础的敏感词匹配 \+ 地图 OCR 占位符。

### **Phase 3: 学术技能与双脑打通 (The Smart Stuff)**

* \[ \] **实现 MedicalLogicSkill**：利用现有的 pgvector 基础设施。  
* \[ \] **集成 ASL**：开发 BenchmarkSkill 调用 ASL 模块 API。  
* \[ \] **升级 Chat**：让 AIA 组件能读取审稿报告的 Context，并具备 Function Calling 能力。

## **7\. 总结**

V2.0 架构不仅仅是功能的堆砌，而是**系统哲学的转变**：

* 从 **"LLM 尽力而为"** 转向 **"Guardrail 绝对防御"**。  
* 从 **"单一审稿报告"** 转向 **"交互式学术伙伴"**。  
* 从 **"文本生成"** 转向 **"工具调用 (Tool Use)"**。

这套架构将确保 RVW 既能满足中文期刊的“生死红线”，又能满足英文期刊的“学术高度”。