Files

HaHafeng 0c590854b5 docs(iit): Add IIT Manager Agent V2.9 development plan with multi-agent architecture

Features:
- Add V2.9 enhancements: Cron Skill, User Profiling, Feedback Loop, Multi-Intent Handling
- Create modular development plan documents (database, engines, services, memory, tasks)
- Add V2.5/V2.6/V2.8/V2.9 design documents for architecture evolution
- Add system design white papers and implementation guides

Architecture:
- Dual-Brain Architecture (SOP + ReAct engines)
- Three-layer memory system (Flow Log, Hot Memory, History Book)
- ProfilerService for personalized responses
- SchedulerService with Cron Skill support

Also includes:
- Frontend nginx config updates
- Backend test scripts for WeChat signature
- Database backup files

Co-authored-by: Cursor <cursoragent@cursor.com>

2026-02-05 22:33:26 +08:00

5.1 KiB

Raw Blame History

IIT Manager Agent V2.8：基于“周报卷叠”的终极记忆架构

版本： V2.8 (The Chronicle Edition)

日期： 2026-02-05

核心变更： 采纳“以周报代替向量检索”的建议。利用 LLM 的长窗口能力，通过周期性压缩数据，实现全生命周期的可读记忆。

适用场景： 1-3 年周期的临床研究项目。

1. 核心理念：把“大数据”变成“厚书”

我们不再试图在海量碎片数据中大海捞针（Vector Search），而是把数据写成一本**“编年史”**。

每日：忠实记录流水账。
每周：LLM 阅读本周流水账，写一页“历史书”（周报）。
查询时：LLM 直接阅读整本“历史书”。

优势分析

维度	向量检索 (V2.6/2.7)	周报卷叠 (V2.8)
准确性	模糊匹配，容易漏掉关键细节	全量阅读，拥有上帝视角，极准
可解释性	黑盒向量，不知道 AI 看了啥	白盒周报，医生可以随时翻阅、修正周报
技术难度	高 (Embedding, Vector DB)	低 (Cron Job + LLM Summary)
成本	检索便宜，但索引维护贵	生成周报耗 Token，但查询极其高效

2. 数据库设计 (Schema)

2.1 新增 iit_weekly_reports 表

model IitWeeklyReport {
id String @id @default(uuid())
projectId String

weekNumber Int // 例如: 202605 (2026年第5周)
startDate DateTime
endDate DateTime

// 核心：LLM 生成的高浓缩总结
// 包含：入组进度、发生的AE、关键沟通结论
summary String @db.Text

// 结构化数据 (可选，用于画图)
stats Json? // { "enrolled": 5, "queries": 2 }

createdAt DateTime @default(now())

@@unique([projectId, weekNumber])
@@map("iit_weekly_reports")
@@schema("iit_schema")
}

3. 核心流程实现

3.1 写入端：每周一凌晨的“编史官” (Cron Job)

SchedulerService.ts:

// 每周一凌晨 02:00 执行
async generateWeeklyMemory(projectId: string) {
// 1. 获取上周所有的原始对话 & 操作日志
const logs = await this.rawLogs.get({
projectId,
from: lastMonday,
to: thisSunday
});

// 2. 调用 LLM 进行“有损压缩”
const prompt = `
你是一个临床项目经理。请阅读上周的项目流水账，生成一份【周报记忆块】。
要求：
1. 忽略闲聊和无关信息。
2. 重点记录：入组人数变化、新增不良事件(AE)、主要方案偏离、PI的关键决策。
3. 格式为 Markdown，字数控制在 500 字以内。

流水账数据：  
${JSON.stringify(logs)}

const summary = await this.llm.chat(prompt);

// 3. 存入数据库 (成为历史书的一页)
await prisma.iitWeeklyReport.create({
data: { projectId, summary, ... }
});
}

3.2 读取端：查询时的“速读” (Context Injection)

当意图识别发现用户在问“过去”或“趋势”时，直接把所有周报读出来。

ChatService.ts:

async buildHistoryContext(projectId: string): Promise<string> {
// 1. 取出该项目所有历史周报 (按时间正序)
// 3年也就 150 条，Postgres 毫秒级返回
const reports = await prisma.iitWeeklyReport.findMany({
where: { projectId },
orderBy: { weekNumber: 'asc' },
select: { weekNumber: true, summary: true }
});

// 2. 拼接成一本“书”
// 格式:
// [Week 2026-01]: 入组 2 人，无异常。
// [Week 2026-02]: P003 发生 SAE，已上报。
const chronicle = reports.map(r => `[Week ${r.weekNumber}]: ${r.summary}`).join('\n');

return `
=== 项目编年史 (Project Chronicle) ===
${chronicle}
====================================
`;
}

4. 最终开发计划修正 (Phase 5)

我们将 Week 5 的任务彻底简化：

时间	任务	说明
Day 24	原始日志表	确保 iit_conversation_history 记录完整。
Day 25	周报表结构	创建 iit_weekly_reports 表。
Day 26	编史官 Worker	写一个 Cron Job，每周把 Log 压缩成 Report。
Day 27	记忆注入	在回答 QA_QUERY 类问题时，将历史周报注入 Context。

5. 总结：为什么这是终极方案？

解决了“上下文遗忘”：150 个周报拼接起来，刚好填满 DeepSeek 的上下文窗口。AI 可以看到完整的项目生命周期，这是 RAG 切片做不到的。
解决了“幻觉”：周报是持久化的，医生可以去后台检查某一周的周报写得对不对。如果 AI 瞎写，医生可以手动修正。修正后的周报就是新的真理。
极简运维：不需要维护向量库索引，不需要调优 Embedding 模型。就是简单的 SQL 查询和文本拼接。

就用这个方案。这是目前为止最完美、最优雅的解决路径。

5.1 KiB Raw Blame History Unescape Escape