HaHafeng
5523ef36ea
Summary: - Implement Prompt management infrastructure and core services - Build admin portal frontend with light theme - Integrate CodeMirror 6 editor for non-technical users Phase 3.5.1: Infrastructure Setup - Create capability_schema for Prompt storage - Add prompt_templates and prompt_versions tables - Add prompt:view/edit/debug/publish permissions - Migrate RVW prompts to database (RVW_EDITORIAL, RVW_METHODOLOGY) Phase 3.5.2: PromptService Core - Implement gray preview logic (DRAFT for debuggers, ACTIVE for users) - Module-level debug control (setDebugMode) - Handlebars template rendering - Variable extraction and validation (extractVariables, validateVariables) - Three-level disaster recovery (database -> cache -> hardcoded fallback) Phase 3.5.3: Management API - 8 RESTful endpoints (/api/admin/prompts/*) - Permission control (PROMPT_ENGINEER can edit, SUPER_ADMIN can publish) Phase 3.5.4: Frontend Management UI - Build admin portal architecture (AdminLayout, OrgLayout) - Add route system (/admin/*, /org/*) - Implement PromptListPage (filter, search, debug switch) - Implement PromptEditor (CodeMirror 6 simplified for clinical users) - Implement PromptEditorPage (edit, save, publish, test, version history) Technical Details: - Backend: 6 files, ~2044 lines (prompt.service.ts 596 lines) - Frontend: 9 files, ~1735 lines (PromptEditorPage.tsx 399 lines) - CodeMirror 6: Line numbers, auto-wrap, variable highlight, search, undo/redo - Chinese-friendly: 15px font, 1.8 line-height, system fonts Next Step: Phase 3.5.5 - Integrate RVW module with PromptService Tested: Backend API tests passed (8/8), Frontend pending user testing Status: Ready for Phase 3.5.5 RVW integration
ASL模块开发记录
本目录记录ASL（AI智能文献筛选）模块的完整开发历程。
📁 文档索引
Week 1 完成报告（2025-11-18）
| 文档 | 内容 | 重要性 |
|---|---|---|
| 今日工作总结.md | 2025-11-18全天工作总结 | ⭐⭐⭐⭐⭐ |
| 两步测试完整报告.md | 国内外模型对比 + 三种风格测试 | ⭐⭐⭐⭐⭐ |
| 卒中数据泛化测试报告.md | 最初的泛化能力测试 | ⭐⭐⭐⭐ |
| Prompt设计与测试完成报告.md | Prompt v1.0.0测试 | ⭐⭐⭐ |
| Week1完成报告.md | Week 1开发完成总结 | ⭐⭐⭐⭐ |
🎯 核心发现
1. 根本问题确认
准确率不高的根本原因 = AI与人类对边界情况的理解差异
不是:
- ❌ 模型智商不够
- ❌ Prompt设计不好
- ❌ 宽松/严格程度不对
而是:
- ✅ 纳排标准存在隐含规则
- ✅ 边界情况定义不明确
- ✅ AI无法猜测用户真实意图
2. 解决方案
短期方案（已实现）✅
三种筛选风格:
- 宽松模式：初筛使用，宁可多纳入
- 标准模式：常规使用，平衡准确率
- 严格模式：精筛使用，宁可错杀
状态: 后端完成，前端待开发
中期方案（推荐）⭐
用户自定义边界情况:
- 用户输入PICOS + 纳排标准
- LLM分析生成20种边界情况
- 用户确认每种情况的处理方式
- 系统生成定制化Prompt
优点: 消除AI与人类理解差异
长期方案（V1.0+）🔮
Few-shot学习:
- 从用户纠正中学习
- 持续优化准确率
- 个性化Prompt
📊 测试数据
模型性能对比
| 模型 | 准确率 | 一致率 | 速度 | JSON稳定性 |
|---|---|---|---|---|
| DeepSeek-V3 + Qwen-Max | 40% | 60% | 16秒 | ✅ 100% |
| GPT-4o + Claude-4.5 | 0%* | 80% | 10秒 | ❌ 20% |
*因JSON格式错误导致失败
筛选风格对比
| 风格 | 准确率 | 召回率 | 精确率 |
|---|---|---|---|
| 标准模式 | 60% | 0% | 100% |
| 宽松模式 | 20% | 50% | 0% |
| 严格模式 | 未测试 | - | - |
🚀 下一步计划
本周任务
- ⬜ 前端开发：筛选风格选择器
- ⬜ API集成：传递
style参数 - ⬜ 扩大测试：20篇真实数据
- ⬜ 用户培训：三种风格使用场景
Week 2任务
- ⬜ 设计边界情况确认UI
- ⬜ 实现LLM边界情况生成
- ⬜ 用户确认流程开发
- ⬜ 定制化Prompt生成
📝 快速链接
测试脚本
backend/scripts/test-stroke-screening.ts- 标准模式测试backend/scripts/test-stroke-screening-lenient.ts- 宽松模式测试backend/scripts/test-stroke-screening-international-models.ts- 模型对比backend/scripts/test-json-parser.ts- JSON解析器测试
Prompt文件
backend/prompts/asl/screening/v1.1.0-lenient.txt- 宽松Promptbackend/prompts/asl/screening/v1.1.0-standard.txt- 标准Promptbackend/prompts/asl/screening/v1.1.0-strict.txt- 严格Prompt
核心代码
backend/src/modules/asl/schemas/screening.schema.ts- Prompt生成backend/src/modules/asl/services/llmScreeningService.ts- 筛选服务backend/src/common/utils/jsonParser.ts- JSON解析器
💡 重要提示
- JSON解析器已修复 - 支持中文引号自动转换
- 三种风格已实现 - 后端完成，前端待开发
- 根本问题已确认 - 需要用户自定义边界情况
更新日期: 2025-11-18
维护人: AI Assistant
版本: v1.0