AIclinicalresearch/docs/03-业务模块/DC-数据清洗整理/07-技术债务/Tool-C技术债务清单.md

# Tool C 技术债务清单

> **创建日期**: 2025-12-06  
> **最后更新**: 2025-12-06  
> **当前版本**: Day 3 MVP完成  
> **优先级分级**: P0-紧急 | P1-重要 | P2-中期优化 | P3-长期规划

---

## 📋 技术债务概览

| 编号 | 债务项 | 优先级 | 预计工时 | 影响范围 | 计划时间 |
|------|-------|--------|---------|---------|---------|
| TD-C-001 | Python Session状态持久化 | P1 | 1天 | 稳定性 | Day 5-6 |
| TD-C-002 | 数据版本管理与回滚 | P2 | 2天 | 功能 | Week 3 |
| TD-C-003 | 大文件性能优化 | P2 | 1.5天 | 性能 | Week 3 |
| TD-C-004 | AI Prompt持续优化 | P1 | 持续 | 质量 | 持续 |
| TD-C-005 | 前端对话UI开发 | P0 | 3天 | 功能 | Day 4-5 |
| TD-C-006 | 复杂场景Prompt优化 | P2 | 0.5天 | 质量 | Day 4 |

---

## 🔴 P1: 重要（近期必做）

### TD-C-001: Python Session状态持久化

**当前问题**:
```python
# 当前实现：内存维护Session状态
session_data = {}  # 存在内存中

# 问题：
# 1. Python服务重启 → Session数据丢失
# 2. 多实例部署 → 负载均衡会导致状态不一致
# 3. 无法回滚到历史版本
```

**影响**:
- 用户体验差：重启服务后需重新上传文件
- 无法云原生部署：不支持多实例
- 数据安全性：内存断电即丢失

**优化方案**:

**方案A: Redis持久化**（推荐）
```python
# 使用Redis存储Session状态
import redis
import pickle

class SessionManager:
    def __init__(self):
        self.redis_client = redis.Redis(host='localhost', port=6379)
    
    def save_session(self, session_id, dataframe):
        # 序列化DataFrame
        serialized = pickle.dumps(dataframe)
        
        # 存储到Redis，10分钟过期
        self.redis_client.setex(
            f"session:{session_id}",
            600,  # 10分钟
            serialized
        )
    
    def get_session(self, session_id):
        data = self.redis_client.get(f"session:{session_id}")
        if data:
            return pickle.loads(data)
        return None
```

**方案B: OSS持久化**
```python
# 每次操作后保存到OSS
def save_to_oss(session_id, dataframe):
    # 序列化为Parquet格式（高效）
    buffer = io.BytesIO()
    dataframe.to_parquet(buffer)
    
    # 上传到OSS
    oss_key = f"dc/tool-c/sessions/{session_id}/current.parquet"
    oss_client.put_object(oss_key, buffer.getvalue())
```

**实施计划**:
- Day 5: 实现Redis集成
- Day 6: 测试与部署

---

### TD-C-004: AI Prompt持续优化

**当前问题**:
- 10个Few-shot示例可能不够覆盖所有场景
- 某些复杂医疗场景AI理解不准确
- 代码生成质量依赖DeepSeek-V3性能

**优化方向**:

**1. 扩展Few-shot库**
```python
# 当前：10个示例
# 目标：20-30个示例，分类存储

few_shot_library = {
    "basic": [...],      # 基础清洗（10个）
    "medical": [...],    # 医疗专业（10个）
    "advanced": [...]    # 高级分析（10个）
}

# 根据用户需求动态选择相关示例
def select_relevant_examples(user_message):
    # 语义匹配最相关的5个示例
    ...
```

**2. 用户反馈收集**
```python
# 记录AI生成失败的场景
failed_cases = []

# 定期分析，添加新示例
def analyze_failures():
    # 找出高频失败场景
    # 人工编写Few-shot
    # 更新System Prompt
```

**3. 多模型备选**
```python
# 主：DeepSeek-V3（性价比高）
# 备：GPT-4（质量高，成本高）
# 备：Claude-3.5（代码能力强）

if deepseek_fails:
    retry_with_gpt4()
```

**实施计划**:
- 持续收集失败案例
- 每月优化1次Prompt
- 测试其他LLM模型

---

## 🟡 P2: 中期优化（1-2个月）

### TD-C-002: 数据版本管理与回滚

**当前问题**:
- AI每次操作都直接修改当前数据
- 无法撤销/回滚到之前状态
- 无法对比不同版本

**优化方案**:

**版本管理架构**:
```python
# 每次操作后保存快照
class DataVersionManager:
    def save_version(self, session_id, dataframe, operation_desc):
        version_id = str(uuid.uuid4())
        
        # 保存到OSS（Parquet格式，压缩高效）
        oss_key = f"dc/tool-c/sessions/{session_id}/versions/{version_id}.parquet"
        dataframe.to_parquet(oss_key)
        
        # 元数据存数据库
        db.save({
            "session_id": session_id,
            "version_id": version_id,
            "operation": operation_desc,
            "timestamp": now(),
            "row_count": len(dataframe),
            "file_size": ...
        })
    
    def rollback(self, session_id, version_id):
        # 从OSS恢复
        dataframe = pd.read_parquet(oss_key)
        return dataframe
```

**前端展示**:
```typescript
// 版本历史列表
<Timeline>
  <TimelineItem>
    版本1: 上传原始文件 (100行)
  </TimelineItem>
  <TimelineItem>
    版本2: 删除缺失值 (95行) [回滚]
  </TimelineItem>
  <TimelineItem>
    版本3: 计算BMI (95行) [当前]
  </TimelineItem>
</Timeline>
```

**成本估算**:
- 每个版本~1-5MB（Parquet压缩后）
- 10个版本 = 10-50MB
- OSS成本：￥0.01-0.05/Session

**实施计划**:
- Week 3: 后端版本管理
- Week 4: 前端UI + 测试

---

### TD-C-003: 大文件性能优化

**当前限制**:
- 文件大小：10MB
- 行数限制：~50,000行
- 前端预览：100行

**优化目标**:
- 文件大小：50MB
- 行数限制：500,000行
- 前端预览：虚拟滚动

**技术方案**:

**1. 流式处理**
```python
# 分块读取大文件
def process_large_file(file_path):
    chunk_size = 10000  # 每次处理1万行
    
    for chunk in pd.read_csv(file_path, chunksize=chunk_size):
        # 分块处理
        process_chunk(chunk)
```

**2. Apache Arrow集成**
```python
# 使用Arrow高性能列式存储
import pyarrow as pa
import pyarrow.parquet as pq

# Node.js ↔ Python 数据传输
# 使用Arrow IPC格式（比JSON快10-100倍）
```

**3. 前端虚拟滚动**
```typescript
// 使用AG Grid的虚拟滚动
<AgGridReact
  rowModelType="infinite"
  cacheBlockSize={100}
  maxBlocksInCache={10}
/>
```

**实施计划**:
- Week 3: 流式处理 + Arrow
- Week 4: 前端虚拟滚动

---

## 🟡 P2: 中期优化（1-2个月）

### TD-C-006: 复杂场景Prompt优化（Day 3测试遗留）

**当前问题**:
Day 3测试中，2个复杂场景持续超时失败（3次重试都失败）：
- **示例2：数值列清洗**（creatinine列处理，包含`<0.1`等特殊符号）
- **示例7：智能去重**（日期解析 + 排序 + 去重）

**失败原因分析**:
```
❌ 示例2失败: timeout of 60000ms exceeded
   用户需求: 把creatinine列里的非数字符号去掉，<0.1按0.05处理，转为数值类型
   
   问题：
   - 需求描述复杂（3个子任务：去符号 + 特殊值处理 + 类型转换）
   - AI理解不准确，生成的代码有逻辑错误
   - 3次重试仍无法修正

❌ 示例7失败: timeout of 60000ms exceeded
   用户需求: 按patient_id去重，保留check_date最新的记录
   
   问题：
   - 日期列可能包含多种格式
   - 排序 + 去重的组合逻辑复杂
   - AI生成的代码执行出错后难以自我修正
```

**优化方案**:

**方案A: 增强Few-shot示例**
```python
# 为这两个场景添加更详细的Few-shot示例

### 示例: 复杂数值清洗（含特殊符号）
用户: 把肌酐列里的非数字符号（>、<）去掉，<0.1按0.05处理，转为数值
代码:
\`\`\`python
try:
    # 第1步：去除符号
    df['creatinine_clean'] = df['creatinine'].astype(str).str.replace('>', '').str.replace('<', '')
    
    # 第2步：处理特殊值
    df.loc[df['creatinine_clean'] == '0.1', 'creatinine_clean'] = '0.05'
    
    # 第3步：转为数值
    df['creatinine_numeric'] = pd.to_numeric(df['creatinine_clean'], errors='coerce')
    
    print(f'清洗完成：{df["creatinine_numeric"].notna().sum()}个有效值')
except Exception as e:
    print(f'错误: {e}')
\`\`\`
说明: 分步处理复杂清洗任务，先去符号，再处理特殊值，最后转类型
```

**方案B: 优化System Prompt**
```typescript
## 复杂场景处理建议
1. **数值清洗**：分步处理（去符号 → 处理特殊值 → 类型转换）
2. **日期操作**：先用pd.to_datetime()统一格式，再排序去重
3. **调试输出**：每步打印中间结果，便于错误定位
4. **错误处理**：使用try-except包裹每个子步骤
```

**方案C: 调整重试策略**
```typescript
// 针对特定错误类型，提供更明确的修正提示
if (error.includes('日期') || error.includes('datetime')) {
  enhancedMessage = `${userMessage}
  
  注意：日期列可能包含缺失值或格式不一致，请：
  1. 使用 pd.to_datetime(df['date'], errors='coerce')
  2. 删除日期为NaT的行
  3. 再进行排序和去重`;
}
```

**实施计划**:
- Day 4: 实现方案A（增强Few-shot示例）
- Day 4: 实现方案B（优化System Prompt）
- Day 5: 测试优化效果（目标：通过率达到95%+）

**预期效果**:
- 通过率从81.8%提升到95%+
- 复杂场景一次成功率提升50%
- 用户体验改善（减少等待时间）

---

## 🟢 P3: 长期规划（3个月+）

### TD-C-007: 自定义函数库

**愿景**: 用户可保存常用代码为函数，一键复用

```python
# 用户保存的自定义函数
my_functions = {
    "血压分类": "df['bp_category'] = ...",
    "年龄分组": "df['age_group'] = ...",
}

# 一键应用
apply_function("血压分类")
```

---

### TD-C-007: 协作功能

**愿景**: 多人协作数据清洗

- 权限管理：查看/编辑/审核
- 操作日志：谁在什么时候做了什么
- 评论功能：对特定操作添加备注

---

### TD-C-008: 数据质量报告

**愿景**: 自动生成数据质量报告

```python
quality_report = {
    "缺失值分析": {...},
    "离群值检测": {...},
    "数据分布": {...},
    "建议操作": [...]
}
```

---

## 📊 债务统计

### 按优先级
- P0: 1项（前端UI，阻塞发布）
- P1: 2项（Session持久化、Prompt优化）
- P2: 3项（版本管理、大文件、复杂场景优化）
- P3: 3项（长期规划）

### 按工时
- 0.5天: 1项（复杂场景优化）
- 1天: 1项（Session持久化）
- 1-2天: 2项（版本管理、大文件）
- 3天以上: 1项（前端UI）
- 持续优化: 1项（Prompt优化）

### 总计
- **技术债务总数**: 9项
- **近期必做**: 4项（P0-P1 + 复杂场景）
- **预计总工时**: ~10.5-12.5天

---

## 🔄 更新记录

| 日期 | 版本 | 更新内容 | 更新人 |
|------|------|---------|--------|
| 2025-12-07 | V1.1 | 新增TD-C-006（复杂场景Prompt优化） | AI Assistant |
| 2025-12-06 | V1.0 | 初始创建，Day 3 MVP完成后梳理 | AI Assistant |

---

**文档状态**: ✅ 已创建  
**下次更新**: Day 5或Week 3