AIclinicalresearch/START-HERE-FOR-NEW-AI.md

🚀 新AI启动指令（2分钟快速上手）

日期： 2025-11-18
状态： 平台基础设施已完成，立即开始ASL模块开发
阅读时间： 2分钟

---

📋 项目现状（一句话）

医学科研AI平台，基础设施已完成（8个核心模块+5个LLM模型），现在开发ASL文献筛选模块的第一个功能：标题摘要初筛。所有依赖就绪，可立即开始！

---

✅ 已完成的工作（你的优势）

完成时间	工作内容	状态
2025-11-17	平台基础设施（8个模块）	✅ 100%
	- 存储服务（本地/OSS切换）	✅
	- 日志系统（结构化JSON）	✅
	- 缓存服务（Memory/Redis）	✅
	- 异步任务队列	✅
	- 健康检查+监控	✅
	- 数据库连接池+环境配置	✅
2025-11-18	CloseAI集成（GPT-4o+Claude）	✅ 100%
	- GPT-4o: 1.5秒响应 ⭐	✅
	- Claude-4.5: 2.8秒响应	✅
	- 双模型筛选: 4.8秒	✅
Week 1-2	前后端架构+文档	✅ 100%

---

🎯 你的任务（ASL模块开发）

第一步：定义数据库Schema（2小时）

文件位置： backend/prisma/schema.prisma

需要添加4个模型：

1. AslScreeningProject - 筛选项目
2. AslLiterature - 文献信息
3. AslScreeningResult - 筛选结果
4. AslScreeningTask - 筛选任务

⚠️ 关键要求：

• 每个模型必须添加 @@schema("asl_schema")
• 参考 docs/03-业务模块/ASL-AI智能文献/04-开发计划/02-标题摘要初筛开发计划.md Week 1 Day 1（第299-402行有完整代码）

执行命令：

cd backend
npx prisma migrate dev --name add_asl_screening_tables
npx prisma generate

---

📚 必读文档（3个核心文档）

1️⃣ 系统全貌（20分钟）⭐⭐⭐

docs/00-系统总体设计/00-系统当前状态与开发指南.md

为什么必读：

• 包含平台基础设施使用方法（storage/logger/cache/jobQueue）
• 包含5个LLM模型的调用方式
• 包含云原生开发规范（必须遵守）
• 包含禁止的操作清单

重点章节：

• Part 1.3：后端架构 - 平台基础设施（必读）
• Part 2.3：云原生开发规范（必须遵守）
• Part 3：重要原则与禁忌（必须遵守）

---

2️⃣ ASL开发计划（20分钟）⭐⭐⭐

docs/03-业务模块/ASL-AI智能文献/04-开发计划/02-标题摘要初筛开发计划.md

为什么必读：

• Week 1 Day 1 包含完整的Prisma Schema代码（可直接复制）
• 每一天的开发任务详细说明
• 包含LLM筛选服务代码示例

重点章节：

• Week 1 Day 1：数据库Schema设计（第299-402行）
• Week 2 Day 1：LLM筛选核心实现（第403-530行）
• 云原生开发注意事项（第77-162行）

---

3️⃣ 任务分解清单（15分钟）⭐⭐

docs/03-业务模块/ASL-AI智能文献/04-开发计划/03-任务分解.md

为什么必读：

• 80+个详细任务，每个有ID、耗时、验收标准
• 按天组织，清晰明确
• 包含云原生开发要求

重点章节：

• T1.1.1 - T1.1.5：数据库Schema设计任务
• 云原生开发要求（第61-143行）

---

⭐ 核心代码示例（直接使用）

1. 使用平台基础设施

// ✅ 必须使用平台服务
import { storage, logger, cache, jobQueue } from '@/common'
import { prisma } from '@/config/database'

// 文件上传
await storage.upload('literature/123.pdf', buffer)

// 日志记录
logger.info('Screening started', { projectId, count })

// 缓存LLM响应
await cache.set('llm:key', response, 3600)

// 异步任务
const job = await jobQueue.push('asl:screening', data)

// 数据库操作
await prisma.aslProject.create({ data: {...} })

2. 调用LLM（双模型筛选）

import { LLMFactory } from '@/common/llm/adapters'

// 并行调用两个模型（4.8秒完成）
const [deepseekResult, gpt4oResult] = await Promise.all([
  LLMFactory.getAdapter('deepseek-v3').chat(messages),
  LLMFactory.getAdapter('gpt-5').chat(messages)  // 实际使用 gpt-4o
])

// 判断一致性
if (deepseekResult.decision === gpt4oResult.decision) {
  // 共识度高，直接采纳
} else {
  // 不一致，标记为需要人工复核
}

3. Excel内存解析（云原生）

import xlsx from 'xlsx'

// ✅ 正确：内存解析
const workbook = xlsx.read(buffer, { type: 'buffer' })

// ❌ 错误：不要保存到磁盘
// fs.writeFileSync('./temp.xlsx', buffer)  // 禁止！

---

⚠️ 必须遵守的规范

禁止的操作（会被拒绝）

1. ❌ fs.writeFileSync() - 使用 storage.upload()
2. ❌ new PrismaClient() - 使用全局 prisma
3. ❌ 同步处理LLM批量任务 - 使用 jobQueue
4. ❌ Excel保存到磁盘 - 内存解析
5. ❌ 重复实现存储/日志/缓存 - 使用平台服务
6. ❌ 频繁Git提交 - 一天工作结束后统一提交
7. ❌ 提交未测试的代码 - 必须测试通过

必须遵守的原则

1. ✅ 使用平台基础设施（storage/logger/cache/jobQueue）
2. ✅ Schema隔离（所有表必须 @@schema("asl_schema")）
3. ✅ Excel内存解析（不落盘）
4. ✅ 异步处理LLM任务（避免超时）
5. ✅ 使用全局Prisma实例

---

🚀 立即开始的3个步骤

# Step 1: 阅读核心文档（35分钟）
1. docs/00-系统总体设计/00-系统当前状态与开发指南.md（20分钟）
2. docs/03-业务模块/ASL-AI智能文献/04-开发计划/02-标题摘要初筛开发计划.md（15分钟）

# Step 2: 定义数据库Schema（2小时）
1. 打开 backend/prisma/schema.prisma
2. 复制开发计划文档中的Prisma代码（Week 1 Day 1）
3. 运行迁移：npx prisma migrate dev --name add_asl_screening_tables

# Step 3: 创建后端目录结构（10分钟）
mkdir -p backend/src/modules/asl/{routes,controllers,services,schemas,types,utils}

---

📞 遇到问题？

问题类型	查看文档
不了解架构	00-系统当前状态与开发指南.md
不知道怎么用平台服务	00-系统当前状态与开发指南.md Part 1.3
不知道怎么调用LLM	02-通用能力层/01-LLM大模型网关/03-CloseAI集成指南.md
不知道做什么任务	03-业务模块/ASL-AI智能文献/04-开发计划/03-任务分解.md
不知道怎么写代码	03-业务模块/ASL-AI智能文献/04-开发计划/02-标题摘要初筛开发计划.md

---

🎉 准备好了吗？

检查清单：

• 已阅读本文档（2分钟）✅
• 已阅读 00-系统当前状态与开发指南.md Part 1.3 和 Part 2.3（10分钟）
• 已查看 02-标题摘要初筛开发计划.md Week 1 Day 1（5分钟）
• 理解了平台基础设施的使用方式（storage/logger/cache/jobQueue）
• 理解了5个LLM模型的调用方式
• 知道了第一个任务：定义数据库Schema

开始开发吧！ 🚀

---

详细上下文： 如需更多信息，查看 docs/03-业务模块/ASL-AI智能文献/[AI对接] ASL模块快速上下文.md

系统全貌： docs/00-系统总体设计/00-系统当前状态与开发指南.md

最后更新： 2025-11-18
更新内容： 添加平台基础设施和CloseAI集成信息