AIclinicalresearch/docs/03-业务模块/ASL-AI智能文献/[AI对接] ASL快速上下文.md

[AI对接] ASL快速上下文

阅读时间： 3-5分钟 | Token消耗： ~2000 tokens
层级： L2 | 前置阅读： 00-系统总体设计/[AI对接] 快速上下文.md

---

📋 模块定位

AI智能文献筛选系统，帮助研究者快速筛选和分析大量文献，提高系统评价效率。

商业价值： ⭐⭐⭐⭐⭐ 可独立售卖
开发状态： ⏳ 即将开发（Week 2-4）
依赖能力： LLM网关（P0）、文档处理引擎、RAG引擎

---

🎯 核心功能（6个模块）

1. ✅ 标题摘要初筛 - 双模型AI判断 → Week 2-3重点
2. ✅ 全文复筛 - PDF全文分析 → Week 3-4重点
3. ⏳ 全文解析与数据提取
4. ⏳ 数据分析与报告生成
5. ⏳ 系统评价与Meta分析
6. ⏳ 文献管理

本次开发重点： 标题摘要初筛 + 全文复筛

---

🏗️ 技术架构一览

前端（React）

src/pages/Literature/
  ├── ProjectManagement/     # 文献项目管理
  ├── TitleScreening/        # 标题摘要初筛 ⭐
  ├── FullTextScreening/     # 全文复筛 ⭐
  ├── DataExtraction/        # 数据提取
  └── Management/            # 文献管理

后端（Node.js）

backend/src/modules/asl/
  ├── controllers/
  │   ├── projectController.ts       # 项目管理
  │   ├── screeningController.ts     # 筛选控制 ⭐
  │   └── extractionController.ts    # 数据提取
  ├── services/
  │   ├── screeningService.ts        # 筛选业务逻辑 ⭐
  │   └── extractionService.ts
  └── routes/
      └── literatureRoutes.ts

数据库（asl_schema）

CREATE SCHEMA asl_schema;

核心表：
- literature_projects       # 文献项目
- literature_items          # 文献条目（CSV导入）
- pico_configs              # PICO(S)纳入排除标准配置
- screening_results         # 筛选结果（INCLUDE/EXCLUDE/UNCERTAIN）
- screening_history         # 筛选历史（可回溯）
- extraction_tasks          # 提取任务
- extraction_results        # 提取结果

---

💡 核心业务流程

标题摘要初筛流程 ⭐

1. 用户上传CSV文件（包含：标题、摘要、作者等）
   ↓
2. 配置PICO(S)纳入/排除标准
   - P: Population（研究对象）
   - I: Intervention（干预措施）
   - C: Comparison（对照）
   - O: Outcome（结局指标）
   - S: Study Design（研究类型）
   ↓
3. AI双模型判断（DeepSeek + Qwen3）
   - 每篇文献独立判断
   - 两个模型投票
   - 固定3并发处理
   ↓
4. 返回结果：INCLUDE / EXCLUDE / UNCERTAIN
   - INCLUDE: 两个模型都认为应纳入
   - EXCLUDE: 两个模型都认为应排除
   - UNCERTAIN: 两个模型意见不一致，需人工复核
   ↓
5. 导出Excel（双Sheet设计）
   - Sheet1: 通过的文献（INCLUDE）
   - Sheet2: 未通过的文献（EXCLUDE + UNCERTAIN）

AI判断逻辑（关键！）

// 双模型投票机制
if (deepseekResult === "INCLUDE" && qwen3Result === "INCLUDE") {
  finalResult = "INCLUDE";
} else if (deepseekResult === "EXCLUDE" && qwen3Result === "EXCLUDE") {
  finalResult = "EXCLUDE";
} else {
  // 意见不一致
  finalResult = "UNCERTAIN";  // 标记为需要人工复核
}

---

📚 已有设计文档

PRD文档（完整！）

• 00-项目概述/AI智能文献PRD（1）-产品概览.md
• 00-项目概述/AI智能文献PRD（2）-初筛与复筛.md
• 00-项目概述/AI智能文献PRD（3）-提取与分析模块.md

内容： 完整的功能需求、用户故事、验收标准

技术设计（完整！）

• 01-设计文档/02-数据库设计.md - 完整表结构
• 01-设计文档/03-API设计.md - 所有API端点
• 01-设计文档/04-前端组件设计.md - 组件树
• 01-设计文档/05-AI模型集成设计.md - 双模型投票逻辑

UI原型（完整！）

• 01-设计文档/07-UI设计/标题摘要初筛原型.html ⭐
• 01-设计文档/07-UI设计/全文复筛原型.html ⭐

---

🔗 依赖的通用能力

1. LLM网关（❌ 待实现，P0）⭐ 必须先实现

为什么ASL需要LLM网关：

• 标题摘要初筛需要调用2个LLM模型
• 全文复筛需要调用1个LLM模型
• 需要成本控制和配额管理

接口需求：

// ASL模块需要的接口
interface LLMGateway {
  // 单次调用（非流式）
  chat(params: {
    userId: string;
    modelType: 'deepseek-v3' | 'qwen3';
    messages: Message[];
  }): Promise<{
    content: string;
    tokenUsage: number;
  }>;
  
  // 检查配额
  checkQuota(userId: string): Promise<boolean>;
}

实施建议： Week 2 Day 1-3 同步开发LLM网关

---

2. 文档处理引擎（✅ 已实现）

ASL使用场景：

• 全文复筛：PDF全文提取

已有接口：

// extraction_service已提供
POST /api/extract/pdf

---

3. RAG引擎（✅ 已实现，可选）

ASL使用场景（可选）：

• 文献内容检索
• 文献相似度分析

---

📋 API端点清单

项目管理

POST   /api/v1/literature/projects          # 创建文献项目
GET    /api/v1/literature/projects           # 获取项目列表
GET    /api/v1/literature/projects/:id       # 获取项目详情
PUT    /api/v1/literature/projects/:id       # 更新项目
DELETE /api/v1/literature/projects/:id       # 删除项目

标题摘要初筛 ⭐

POST   /api/v1/literature/projects/:id/items/import         # 导入CSV
POST   /api/v1/literature/projects/:id/pico                 # 配置PICO
POST   /api/v1/literature/projects/:id/screening/title      # 执行初筛
GET    /api/v1/literature/projects/:id/screening/status     # 查询进度
GET    /api/v1/literature/projects/:id/screening/results    # 获取结果
POST   /api/v1/literature/projects/:id/screening/export     # 导出Excel

全文复筛

POST   /api/v1/literature/projects/:id/screening/fulltext   # 执行全文筛选

---

📅 开发计划

Week 2（11月11-15日）

• Day 1-2： 项目管理基础CRUD
• Day 3-4： 标题摘要初筛后端（含LLM网关）
• Day 5： 标题摘要初筛前端

Week 3（11月18-22日）

• Day 1-2： 全文复筛后端
• Day 3-4： 全文复筛前端
• Day 5： 测试和优化

Week 4（11月25-29日）

• Day 1-2： 数据提取功能
• Day 3-5： 整体测试和文档完善

---

⚠️ 关键技术难点

1. AI判断准确率

解决方案：

• 双模型投票机制
• 优化PICO提示词
• 提供人工复核入口（UNCERTAIN项）

2. 大批量处理

解决方案：

• 固定3并发（p-queue）
• 实时进度显示
• 失败重试机制

3. CSV解析

解决方案：

• 使用papaparse库
• 支持多种编码（UTF-8、GBK）
• 容错处理

4. PDF全文提取

解决方案：

• 调用extraction_service
• 降级策略：Nougat → PyMuPDF

---

✅ 快速开发检查清单

开始开发前确认：

• LLM网关是否已实现？（如未实现，Week 2 Day 1-3同步开发）
• 数据库Schema是否已创建？（asl_schema）
• Prisma Schema是否已更新？
• API路由是否已注册？
• 前端路由是否已配置？

常见问题：

Q: LLM调用超时怎么办？ A: 设置timeout=60s，添加重试机制（最多3次）

Q: CSV解析失败怎么办？ A: 检查编码格式，提供明确的错误提示，支持重新上传

Q: 两个模型都返回UNCERTAIN怎么办？ A: 标记为UNCERTAIN，提示用户需要人工复核

Q: PDF提取失败怎么办？ A: 降级策略：Nougat → PyMuPDF → 提示用户手动处理

---

📖 更多详细信息

需要完整PRD： → 00-项目概述/AI智能文献PRD（1-3）.md（3个文档）

需要数据库详情： → AI智能文献目录下的 02-技术设计/01-数据库设计.md

需要API详情： → AI智能文献目录下的 02-技术设计/02-API设计规范.md

需要UI设计： → 01-设计文档/AI智能文献-标题摘要初筛原型.html
→ 01-设计文档/AI智能文献-全文复筛.html

---

最后更新： 2025-11-06
维护人： 技术架构师