AIclinicalresearch/docs/03-业务模块/IIT Manager Agent/05-测试文档/IIT Manager Agent V2.8：记忆检索与路由逻辑详解.md

IIT Manager Agent V2.8：记忆检索与路由逻辑详解

核心机制： 意图驱动的按需检索 (Intent-Driven Retrieval)

目的： 既保证 AI 懂当下（Hot），又保证 AI 懂历史（History），同时节省 Token。

1. 记忆存储全景图 (Storage Map)

在 V2.8 中，我们有三个核心存储位置，各司其职：

记忆类型	存储表	字段	内容特征	更新频率
1. 流水账 (Raw Stream)	iit_conversation_history	content (JSON)	未经加工的原始对话。	实时 (每秒)
2. 热记忆 (Hot Context)	iit_project_memory	config (Markdown)	用户偏好、当前状态、系统禁令。	每日 (AI 提炼)
3. 历史书 (Weekly Reports)	iit_weekly_reports	summary (Text)	高度浓缩的周报、关键决策、踩坑记录。	每周 (AI 归档)

2. 调取顺序与逻辑 (Retrieval Logic)

当 PI 发问时，系统并不是一股脑把所有记忆都塞进去，而是分三步走：

第一步：无条件注入 (Always On)

无论 PI 问什么，必须先注入“热记忆”。

• 来源：iit_project_memory
• 内容：用户偏好（如“PI 喜欢简报”）、当前项目状态。
• 理由：这是 Agent 的“人设”和“底线”，一刻也不能忘。

第二步：意图识别 (Intent Detection)

系统分析 PI 的问题，判断他想问“现在”还是“过去”。

• 情况 A：问现在/执行任务 (如 "查下 P001", "生成本周周报")
  • 动作：不调取 历史书。
  • 理由：解决当下问题不需要翻阅 3 年前的老黄历，避免干扰 AI。
  • Context = Hot Memory + Current Task Data
• 情况 B：问历史/趋势/回顾 (如 "回顾下去年的入组情况", "我们为什么暂停了筛选？")
  • 动作：全量调取 历史书 (iit_weekly_reports)。
  • 理由：需要上帝视角。
  • Context = Hot Memory + All Weekly Reports

第三步：上下文组装 (Prompt Assembly)

最终发给 LLM 的 Prompt 是这样组装的：

[System Prompt]
你是一个临床研究助手...

[Hot Memory] (来自 iit_project_memory)
- 用户偏好: 简洁、数据驱动
- 当前状态: 入组阶段

[History Context] (仅在情况 B 下注入)
Week 1: 启动项目...
Week 2: 发现 P001 不良事件...
...
Week 50: 决定放宽标准...

[User Question]
我们之前为什么暂停筛选？

3. 实战场景演示 (Scenario Walkthrough)

场景 1：PI 问 "P001 入组了吗？"

1. 加载 Hot Memory：获取偏好（简洁回复）。
2. 意图识别：QUERY_DATA (查数据)。
3. 决策：不需要 查历史书。
4. 行动：调用 read_clinical_data 工具去 REDCap 查实时数据。
5. 回答："已入组，时间是 2026-02-05。"

场景 2：PI 问 "最近入组太慢了，我们之前有没有讨论过怎么解决？"

1. 加载 Hot Memory：获取偏好。
2. 意图识别：QUERY_HISTORY (查历史决策)。
3. 决策：需要 查历史书。
4. 行动：
   • 从 iit_weekly_reports 拉取过去 20 周的 summary。
   • 拼接成 3000 字的文本。
   • 喂给 LLM。
5. LLM 思考：阅读周报，发现 Week 12 记录了“增加受试者交通补贴”的决策，Week 15 记录了“在门诊增派 CRC”的决策。
6. 回答："我们曾在第 12 周尝试增加补贴，第 15 周增派了 CRC，当时效果有短暂提升..."

场景 3：PI 问 "我上次跟你说的那个只要看结果的规矩，你记得吗？"

1. 加载 Hot Memory：获取偏好。
2. AI 自检：在 Hot Memory 里看到了 - [PI]: 只要看结果 这条记录。
3. 回答："记得的，教授。您要求汇报时只列数据结论，不要冗长的过程描述。我会严格遵守。"
   • 注意：这个问题不需要查周报，也不需要查流水账，直接看 Hot Memory 就行。

4. 总结：给开发者的伪代码

// ChatService.ts

async handleMessage(userId, message) {
// 1. 总是加载热记忆 (Hot)
const hotMem = await prisma.iitProjectMemory.findUnique(...);

// 2. 意图识别
const intent = await this.intentService.detect(message);

let historyContext = "";

// 3. 按需加载历史书 (History)
if (intent.type === 'QUERY_HISTORY' || intent.type === 'ANALYZE_TREND') {
const reports = await prisma.iitWeeklyReport.findMany({
orderBy: { weekNumber: 'asc' }
});
historyContext = reports.map(r => `[W${r.weekNumber}]: ${r.summary}`).join('\n');
}

// 4. 组装最终 Prompt
const finalPrompt = `
${hotMem.content}
${historyContext}
User: ${message}
`;

// 5. 调用 LLM
return await this.llm.chat(finalPrompt);
}

记住这个口诀：

“偏好时刻带，历史按需查，流水账只用来生成周报。”

5. 复杂度控制与防失控指南 (Safety Guardrails)

为了防止系统变得“复杂不可控”，请严格遵守以下开发军规：

5.1 容量限制 (The Cap)

• Hot Memory: 限制在 2000 Tokens 以内。如果超标，触发 MemoryPruningJob (记忆修剪任务)，让 AI 自动总结或通知管理员手动删除。
• History Book: 每次加载不超过 50 周 的周报。如果项目运行了 10 年，只加载最近 1 年的周报，或者先让 AI 生成“年度总结”。

5.2 隔离原则 (Isolation)

• 任务隔离：执行 QC_TASK (质控) 时，严禁加载 History Context。质控必须基于当下的事实，不能受历史干扰。
• 数据隔离：LLM 永远没有权限直接读取 iit_conversation_history 表。这条物理隔绝保证了 Agent 永远不会被海量噪音淹没。

5.3 人工介入 (The Kill Switch)

• 可读可改：后台必须提供 Hot Memory 的编辑器。如果 Agent 记住了错误的规则（例如“不需要查年龄”），医生可以直接进去删掉那一行 Markdown。这是系统失控时的“急停按钮”。