AIclinicalresearch/docs/03-业务模块/IIT Manager Agent/05-测试文档/IIT Manager Agent V2.9 补充设计：主动性与用户画像增强.md

IIT Manager Agent V2.9 补充设计：主动性与用户画像增强

目标： 响应智能化评估中的 P0 需求，补齐“主动服务”和“个性化”短板，并增强复杂任务处理能力。

原则： 坚持 Postgres-Only，复用现有的 Skill (JSON) 和 ToolsService。

1. 主动提醒机制设计 (The Proactive Engine)

我们不需要写死一堆 cron 脚本，而是将“主动提醒”抽象为一种特殊的 Skill。

1.1 架构复用逻辑

• 触发源：pg-boss 的定时任务 (Scheduler)。
• 规则载体：iit_skills 表（新增 trigger_type: 'cron'）。
• 执行者：QcEngineService (复用现有的逻辑)。

1.2 数据库 Schema 扩展

在 iit_skills 表中增加调度字段：

model IitSkill {
// ... 原有字段
triggerType String @default("webhook") // 'webhook' | 'cron' | 'event'
cronSchedule String? // 例如: "0 9 * * *" (每天9点)

// 核心配置 (JSON)
config Json
}

1.3 Skill 配置示例：访视提醒

这是一个“每天早上9点检查即将到期访视”的技能配置。

{
"name": "即将到期访视提醒",
"description": "扫描未来3天内需要访视的患者",

// 核心：复用 Engine A 的逻辑来筛选数据
"hard_rules": [
// 这里我们稍微扩展一下 hard_rules 的能力，支持 SQL-like 的筛选
// 或者直接调用工具获取列表
],

// 核心：复用 Engine B (LLM) 来生成人性化通知
"soft_instructions": [
{
"instruction": "请调用 `get_upcoming_visits(days=3)` 工具。如果有数据，请根据【用户偏好】生成一条提醒消息。如果没有数据，什么都不做。",
"tools": ["get_upcoming_visits", "send_wechat_msg"]
}
]
}

1.4 代码实现 (SchedulerService.ts)

// SchedulerService.ts

async initCronJobs() {
// 1. 从数据库加载所有 triggerType = 'cron' 的 Skill
const cronSkills = await prisma.iitSkill.findMany({
where: { triggerType: 'cron', isActive: true }
});

for (const skill of cronSkills) {
// 2. 注册到 pg-boss
await this.boss.schedule(
`run-skill-${skill.id}`,
skill.cronSchedule,
{ skillId: skill.id }
);
}
}

// Worker 处理逻辑
async handleCronSkill(job) {
const { skillId } = job.data;
const skill = await prisma.iitSkill.findUnique({ where: { id: skillId } });

// 3. 复用现有的引擎！
// 就像处理 Webhook 一样处理 Cron，架构极其统一
await this.qcEngine.runSoftAgent(
skill.config.soft_instructions[0].instruction,
{ source: 'cron_job' } // Context
);
}

效果： 你只需要在后台配一个 JSON，Agent 就会每天早上 9 点醒来，查数据，然后发微信：“张医生，P005 明天该来复查了。”

2. 用户画像增强 (User Profiling)

我们已经在 V2.8 中设计了 iit_project_memory (Hot Memory)，现在只需要把“画像”结构化。

2.1 存储设计

在 iit_user_preferences 表中，我们将 preferences 字段细分为两类：

1. 显性偏好 (Explicit)：用户明确说的（“我要简报”）。
2. 隐性画像 (Implicit)：系统分析出来的（“他是 PI，关注宏观数据”）。

// preferences 字段内容示例
{
"communication_style": "concise", // 简练 | 详尽
"role_tag": "PI", // PI | CRC | CRA
"focus_areas": ["AE", "Enrollment"], // 关注点
"notification_time": "08:30", // 接收时间
"feedback_history": { // 简单的反馈记录
"thumbs_up": 12,
"thumbs_down": 1
}
}

2.2 自动画像更新 (The Profiler)

我们在 ChatService 结束一次对话后，异步触发一个微型任务：“画像侧写”。

// ProfilerService.ts

async updateProfile(userId: string, lastConversation: any[]) {
const currentProfile = await this.getProfile(userId);

// 让 LLM 当心理分析师
const prompt = `
基于刚刚的对话，更新用户画像。
对话：${JSON.stringify(lastConversation)}
旧画像：${JSON.stringify(currentProfile)}

提取规则：  
1\. 如果用户抱怨"太长了"，将 style 设为 concise。  
2\. 如果用户问了"安全性"，将 AE 加入 focus\_areas。  
  
返回新的 JSON。  

`;

const newProfile = await this.llm.chat(prompt);
await this.saveProfile(userId, newProfile);
}

3. 反馈循环 (Feedback Loop - Lite)

不要做复杂的强化学习（RLHF），只做简单的**“点赞/点踩”**。

3.1 交互设计

在 Agent 回复的每条消息下面（如果是小程序/网页），加两个小按钮：👍 / 👎。

3.2 逻辑闭环

1. 用户点踩 (👎)。
2. 前端：弹窗询问“哪里不好？”（选项：太啰嗦、不准确、没听懂）。
3. 后端：
   • 将这条 Negative Feedback 写入 iit_conversation_history。
   • 关键动作：触发一次 Hot Memory 更新。
   • Prompt："用户对刚才的回答点了踩，原因是'太啰嗦'。请在 Hot Memory 中记下一条禁令：[针对该用户，严禁输出超过 100 字的废话]。"

结果：Agent 下次遇到这个用户，真的会改。这就是最真实的“智能感”。

4. 多意图与任务规划增强 (Multi-Intent Handling)

针对“先做 A，再做 B”的复杂指令（如：“查一下 P001 的状态，然后通知张医生”），我们不需要引入重型 Planner，而是通过 ReAct + Prompt Engineering 实现。

4.1 核心策略：ReAct 自然涌现

结论：ReAct 引擎本身就是一个轻量级 Planner。

不需要额外的 Planner 模块，只需要在 System Prompt 中显式教导 Agent 如何拆解任务。

4.2 Prompt 增强设计

在 backend/src/modules/iit-manager/engines/ReActEngine.ts 的系统提示词中加入以下思维链（Chain of Thought）指令：

const REACT_SYSTEM_PROMPT = `
你是一个临床研究助手。你可以使用工具来回答问题。

核心原则：
1. **任务拆解**：如果用户请求包含多个步骤（例如"先...再..."，"查完...发给..."），请务必分步执行。
- 不要试图在一个步骤里做完所有事。
- 比如：先调用查询工具，获得结果后，再调用发送工具。
2. **依赖管理**：如果步骤 B 依赖步骤 A 的结果，必须先执行 A，观察 A 的结果，再执行 B。
3. **完成检查**：在输出 Final Answer 之前，检查是否完成了用户的所有指令。

思考格式示例：
Thought: 用户想查 P001 并通知张医生。我有两个任务。首先，我需要查 P001 的状态。
Action: 调用 read_clinical_data(id='P001')...
Observation: {"status": "Enrolled"}
Thought: 我已经查到了状态。现在我需要执行第二个任务：发消息给张医生。
Action: 调用 send_wechat_msg(to='Dr. Zhang', content='P001 status is Enrolled')...
...
`;

4.3 为什么不用 Planner？

对于 2 人团队，显式 Planner（先生成计划列表，再循环执行）过于沉重且难以维护状态。ReAct 的 “边走边想” 模式完全能够覆盖 90% 的“线性多步任务”。

5. 总结与建议

需求	解决方案	复杂度	推荐实施阶段
主动提醒	Cron Skill (复用 pg-boss + QC Engine)	低	Phase 4 (与周报一起做)
用户画像	Profiler Job (对话后异步分析)	中	Phase 5 (智能化增强)
反馈循环	点赞按钮 + 记忆写入	低	Phase 5
多意图处理	ReAct Prompt 优化 (无需新模块)	极低	Phase 5 (开发 ReActEngine 时同步完成)

对你的建议

1. 全盘接受 P0 建议：主动提醒和用户画像是成本低、收益大的功能。
2. 技术上保持克制：
   • 别写专门的 Alert Engine，用 Cron Skill 复用现有的引擎。
   • 别搞复杂的推荐算法，用 JSON 存画像就够了。
   • 别搞复杂的 Planner，用 Prompt 教会 ReAct 拆解任务就够了。

这样，你的 V2.6+ 架构就真正补齐了“右脑”的情商短板，变成了一个 “有记忆、会主动、懂人情、能办事” 的完整 Agent。