AIclinicalresearch/docs/03-业务模块/AIA-AI智能问答/02-技术设计/Protocol_Agent_Architecture_Design_V3.md

研究方案制定 Agent (Protocol Agent) 统一架构方案 V3.0

版本： v3.0 (SOP编排与后端配置版)
日期： 2026-01-20
适用范围： 壹证循科技 (AIclinicalresearch)
核心进化： 引入 "Code-as-Skeleton, Data-as-Brain" 理念。将思维链 (CoT) 下沉为后端可配置的 SOP 数据，实现逻辑与代码解耦。

1. 核心设计理念

我们摒弃传统的“无状态问答”模式，构建一个维护长程记忆、具备反思能力的 Protocol Agent。

1.1 四大核心组件 (The 4 Pillars)

• 🧠 大脑 (Brain): Orchestrator 服务
  • 负责 规划 (Plan)：决定当前处于哪个阶段，下一步该做什么。
  • 负责 反思 (Reflexion)：对用户的操作结果进行质量校验（如样本量是否合理）。
  • 升级点：V3 版本中，大脑的思考逻辑（思维链）不再写死在代码里，而是从数据库加载配置。
• 💾 记忆 (Memory): ProtocolContext 表
  • 利用 Postgres 的 JSONB 存储“活的”方案数据。
  • 长程记忆：不仅记住聊天记录，更记住结构化的 PICO、样本量 N 值、观察指标等关键状态，突破 LLM Token 限制。
• 📚 知识 (Knowledge): 自建 EKB (Postgres-Only)
  • 提供 混合检索 (Hybrid Search) 能力。
  • 结构化检索：利用 SQL 精准筛选（如“找样本量>500的RCT研究”）。
  • 语义检索：利用 pgvector 进行向量相似度匹配。
• 🛠️ 手脚 (Hands): Deep Link Action
  • 通过 Action Card 调用的现有 Web 工具（如样本量计算器、数据清洗工具）。
  • 实现“对话无法完成的复杂操作，跳转到专业工具完成，再把结果同步回来”的闭环。

1.2 总体架构拓扑 (V3)

引入了全新的 LLM Ops 控制层，支持运营人员在后台动态调整 Agent 的思考逻辑。

graph TD
User[用户 (React UI)] <--> Entry[单一入口: Protocol Agent]

subgraph "前端交互 (Interaction)"  
    Chat\[流式对话\]  
    StatePanel\[实时状态看板\]  
    DeepLink\[Action Card\]  
end  
Entry \--\> Chat & StatePanel  
  
subgraph "后端引擎 (Orchestrator Engine)"  
    Loader\[配置加载器\]  
    Executor\[SOP 执行引擎\]  
    Reflector\[Reflexion 卫士\]  
    Tracer\[全链路追踪\]  
end  
  
Chat \<--\> Executor  
  
subgraph "大脑配置中心 (LLM Ops)"  
    DB\_Prompt\[(Prompt & CoT 表)\]  
    DB\_Trace\[(Trace 日志表)\]  
    AdminUI\[运营管理后台\]  
end  
  
AdminUI \--配置 SOP--\> DB\_Prompt  
DB\_Prompt \--加载--\> Loader  
Loader \--注入--\> Executor  
Executor \--写入日志--\> Tracer  
Tracer \--可视化--\> AdminUI  
  
subgraph "记忆与知识 (Memory & Knowledge)"  
    DB\_Ctx\[(Protocol Context)\]  
    DB\_EKB\[(Self-built RAG)\]  
end  
  
Executor \<--\> DB\_Ctx & DB\_EKB

2. 核心机制：后端配置化思维链 (Backend CoT)

2.1 什么是“配置化 CoT”？

我们将 AI 的思考过程拆解为标准作业程序 (SOP)，存储为 JSON 数组。这意味着您可以在后台增加一个检查步骤，而无需修改代码。

数据库配置示例 (JSON):

[
{
"step": 1,
"key": "completeness_check",
"desc": "检查 PICO 完整性",
"instruction": "检查用户输入是否包含 P, I, C, O 四个要素。如果缺失，标记为 MISSING。"
},
{
"step": 2,
"key": "methodology_match",
"desc": "方法学匹配",
"instruction": "根据研究目的推荐设计类型（RCT/队列）。"
},
{
"step": 3,
"key": "response_generation",
"desc": "生成回复",
"instruction": "综合以上分析，给出建议。如果 PICO 缺失，请追问。"
}
]

2.2 运行时表现 (Runtime Behavior)

Orchestrator 会将上述 JSON 动态编译为 System Prompt。AI 的输出将包含显式的 XML 思考标签：

<completeness_check>
用户提供了 P 和 I，但缺失 C (对照组) 和 O (结局)。
</completeness_check>

<methodology_match>
因缺失关键信息，暂无法确定设计类型，倾向于 RCT。
</methodology_match>

<response_generation>
您好，为了帮您设计方案，我还需要了解：您的对照组是什么？主要结局指标是什么？
</response_generation>

前端展示： 前端解析 <completeness_check> 标签，将其放入可折叠的 "深度思考" 组件中，让用户看到 AI 的逻辑。

3. 业务流程编排

3.1 完整交互闭环

1. User: 输入 "我要做阿司匹林的研究"。
2. Orchestrator:
   • 加载当前阶段 (SCIENTIFIC_QUESTION) 的 Prompt 和 CoT 配置。
   • 执行 LLM 生成。
3. Reflexion (隐式):
   • Orchestrator 后台运行微型 LLM 任务，尝试从对话中提取 PICO。
   • 如果提取成功，更新 ProtocolContext。
4. State Panel: 前端通过 SSE 收到更新，右侧面板自动点亮 "P" 和 "I" 字段。
5. Plan:
   • Orchestrator 判断当前阶段已完成 (PICO 齐全)。
   • 主动推送：生成 Action Card "建议进入下一步：选题评价"。

3.2 深度链接与反思 (Deep Link & Reflexion Loop)

当涉及到工具调用（如样本量计算）时：

1. Action: AI 生成 Action Card (Deep Link)。
2. Execute: 用户点击跳转 -> 工具页计算 -> 点击“同步”。
3. Reflexion Guard (后端强制校验):
   • 数据回写到 DB 时，触发后端校验函数 reflexionGuard()。
   • 规则配置化：(N < 10 OR N > 10000) -> 报警。
   • 反馈：如果校验失败，AI 主动发送消息：“⚠️ 样本量异常，请检查参数。”

4. 可观测性与调试 (Observability)

为了解决 "Prompt 难调" 的问题，V3 引入了 Trace 机制。

• Trace ID: 每次对话生成一个唯一 ID。
• Step Recording: 记录 Router 决策、Prompt 组装结果、CoT 输出、工具返回。
• Replay: 在 Admin 后台，可以一键重放某个 Trace，修改 Prompt 后重新运行，对比效果。

5. 实施路线图 (Roadmap)

1. Week 1: 数据层升级
   • 修改 prompt_templates 表结构，增加 chain_config。
   • 建立 agent_traces 表。
2. Week 2: 引擎升级
   • 重构 Orchestrator，实现动态 CoT 组装逻辑。
   • 实现 XML 标签解析器。
3. Week 3: 前端适配
   • 升级 Chat 组件，支持渲染 XML 思考过程。
   • 完善右侧 State Panel 的实时同步。