AIclinicalresearch/docs/03-业务模块/SSA-智能统计分析/04-开发计划/11-智能对话与工具体系开发计划.md

SSA-Pro 智能对话与工具体系开发计划

文档版本： v1.2
创建日期： 2026-02-21
最后更新： 2026-02-22（v1.2 — 新增实现规范与约束：6 条审查建议 + Postgres-Only 缓存修正）
文档类型： 开发计划 (Development Plan)
前置设计：

• 00-系统设计/SSA-Pro 意图识别与对话架构设计.md
• 00-系统设计/SSA-Pro 工具体系规划方案（团队讨论稿）.md（v3.1 融合方案）
• 00-系统设计/SSA-Pro 四层七工具实现机制详解.md（v1.1 三层架构 + 对话层 LLM）
  前置计划： 04-开发计划/10-QPER架构开发计划-智能化主线.md（Phase E+/Q/P/R 已完成）
  目标： 将 SSA 从"统计分析执行器"升级为"数据感知的统计顾问"

---

1. 文档概要

1.1 背景

QPER 主线（Phase E+ → Q → P → R）已完成闭环，系统具备了完整的"接单→规划→执行→结论"能力。但当前系统存在两个核心问题：

1. 无对话能力 — 用户每条消息都被当作分析请求，无法自由探索数据、咨询方法
2. 工具体系单一 — 仅有 R 执行工具，缺少数据查看、方法咨询、用户交互等非执行类工具

本计划基于已定型的两份设计文档，制定从设计到代码落地的具体开发任务。

1.2 与 QPER 主线计划的关系

QPER 主线计划（10-QPER架构开发计划）
├── Phase E+  ✅ 已完成
├── Phase Q   ✅ 已完成
├── Phase P   ✅ 已完成
├── Phase R   ✅ 已完成
├── Phase Deploy  📋 待启动 ← 本计划的前置条件
└── Phase Q+  📋 → 吸收进本计划 Phase I（DataContext + 变量字典）

本计划（11-智能对话与工具体系开发计划）
├── Phase I   Session 黑板 + READ 层工具
├── Phase II  意图路由器 + 统一对话入口
├── Phase III method_consult + ask_user 标准化
├── Phase IV  THINK + ACT 层工具封装
├── Phase V   反思编排 + 高级特性
└── Phase VI  集成测试 + 可观测性

关键决策：

• Phase Deploy 必须先于本计划启动，因为 R 工具数量从 7 扩展到 11 是 method_consult 和 analysis_plan 的基础
• Phase Q+（变量字典 + 变量选择面板）吸收进本计划 Phase I，因为变量字典是 DataContext 的 Layer 3
• QPER 透明化（Pipeline 可观测性）部分融入本计划 Phase VI

1.3 核心原则（贯穿全计划）

#	原则	约束
1	领域知识可配置化	所有 Prompt、决策表、流程模板、工具注册表、叙事模板均由 JSON/数据库驱动，不写死在 TypeScript 中
2	QPER 不动	QPER 四层的底层 Service 保持不变，新工具封装为 Tool 接口调用已有 Service
3	渐进式改造	每个 Phase 独立可交付、可验收，不依赖后续 Phase
4	安全梯度	READ 层随时调用，ACT 层需确认，降低 LLM 决策风险
5	Token 敏感	Session 黑板注入 LLM 前做裁剪，R 原始输出不入 LLM

---

2. 现有资产盘点

2.1 可直接复用（改造程度：低）

现有组件	对应新工具/模块	复用方式
DataProfileService（Python）	get_data_overview	封装为 Tool 接口，追加 PICO 推断字段
ClarificationCard（前端）	ask_user	标准化后端输入/输出接口
WorkflowExecutorService	run_step	已是傻瓜式执行器，直接封装
ConfigLoader + Zod Schema	新工具注册表	扩展工具描述字段
SSE 基础设施	全链路事件推送	扩展事件类型
ssaStore.ts（Zustand）	前端状态扩展	扩展 DataContext 和意图状态

2.2 需要扩展（改造程度：中）

现有组件	改造内容
DataProfileService	新增单列查询 API（get_variable_detail）
DecisionTableService	封装为 method_consult Tool 接口，追加 LLM 推理补充
FlowTemplateService + QueryService	合并封装为 analysis_plan Tool
ReflectionService	新增 interpret 模式（结果解读）
workflow.routes.ts	新增统一对话入口 /api/ssa/chat

2.3 需要新建

新组件	位置	职责
SessionBlackboardService	backend/services/	Session 黑板生命周期管理
IntentRouterService	backend/services/	意图分类（规则 + LLM 混合）
ChatService	backend/services/	非 analyze 意图的 LLM 对话处理
ToolRegistryService	backend/services/	7 工具注册 + 阶段性可见性控制
tool_definitions.json	backend/config/	7 工具的 LLM 描述（JSON 驱动）
intent_rules.json	backend/config/	意图识别规则（JSON 驱动）

2.4 已有违规项（需在开发中修正）

违规	位置	修正计划
AVAILABLE_TOOLS 硬编码常量	WorkflowPlannerService.ts	Phase IV 中改为读取 tools_registry.json

---

3. 开发计划总览

         Phase Deploy（前置，37h / 5.5 天）
         ┌────────────────────────────────────┐
         │ R 工具补齐 11 个 + 部署上线        │
         └────────────────┬───────────────────┘
                          │ 完成后启动
                          ▼
┌──────────────────────────────────────────────────────────────────┐
│                     本计划开发阶段                                 │
│                                                                  │
│  Phase I ──→ Phase II ────→ Phase III ──→ Phase IV ──→ Phase V  │
│  Session黑板  对话层LLM核心    方法咨询       THINK+ACT    反思编排 │
│  + READ层    + 意图路由器     + ask_user     工具封装     + 高级特性│
│  (30h/5天)   + 统一对话入口   (20h/3天)     (21h/3天)   (18h/3天) │
│              (35h/5.5天)                                         │
│                               ──→ Phase VI（集成测试, 10h/2天）   │
└──────────────────────────────────────────────────────────────────┘

总工时（不含 Phase Deploy）：134h ≈ 22 天
含 Phase Deploy：171h ≈ 27.5 天

---

4. Phase I — Session 黑板 + READ 层（30h / 5 天）

目标：让系统能"看懂数据"并陪用户聊天，即使不能跑分析，用户也能感受到 AI 的价值。
产出： get_data_overview + get_variable_detail + Session 黑板 + DataContext 前端展示
吸收： 原 QPER 计划的 Phase Q+（变量字典 + 变量选择面板，20h）

任务清单

#	任务	工时	产出	依赖
I-1	SessionBlackboardService 设计与实现	5h	Session 黑板 CRUD + CacheFactory（Postgres-Only，参见 §16.4）+ sessionId 索引 + TTL 过期	无
I-2	SessionBlackboard 类型定义	1.5h	SessionBlackboard interface + Zod Schema 校验	无
I-3	get_data_overview 工具实现	5h	封装 DataProfileService + PICO 推断字段 + 写入 Session 黑板	I-1, I-2
I-4	get_variable_detail 工具实现	4h	DataProfileService 单列查询 API（Python 侧新增）+ Tool 接口	I-1
I-5	DataContext 前端状态扩展	3h	ssaStore 新增 dataContext 字段 + DataContextCard 组件	I-3
I-6	PICO 推断 Prompt 模板	2h	pico_inference_prompt.json + Few-Shot 示例 + Seed 脚本	I-3
I-7	变量字典前端面板	4h	VariableDictionaryPanel 组件（AI 推断 + 用户编辑/确认）	I-3, I-5
I-8	数据上传后自动触发 get_data_overview	2h	上传回调中调用 + SSE 推送 DataContext 就绪事件	I-3
I-9	Token 控制策略实现	2h	Session 黑板注入 LLM 前的裁剪函数（变量字典裁剪、qperTrace 滑动窗口）	I-1
I-10	Phase I 联调测试	1.5h	上传数据 → DataContext 自动生成 → 前端展示数据全貌 + 变量字典	全部

配置化要求

配置项	文件	方法学团队可编辑
PICO 推断 Prompt	pico_inference_prompt.json 或 DB Prompt 表	✅
变量类型推断规则	variable_inference_rules.json	✅
Token 裁剪阈值	session_config.json（变量数阈值、滑动窗口大小）	✅

验收标准

✅ 上传 CSV 后 3 秒内，前端展示 DataContext 卡片（统计摘要 + PICO 推断 + 变量列表）
✅ 点击任意变量 → 展示单变量详情（分布图 + 统计量 + 异常值）
✅ PICO 推断标记为 "AI 推断"，用户可编辑确认后标记为 "已确认"
✅ 变量字典支持用户修改 label、type、role，修改后写回 Session 黑板
✅ Session 黑板数据在同一会话内持久有效，刷新页面后可恢复（CacheFactory，生产环境 Postgres 持久化）

---

5. Phase II — 对话层 LLM + 意图路由器 + 统一对话入口（35h / 5.5 天）

目标：构建对话层 LLM 基础设施 + 意图路由，让系统具备多轮连贯对话能力。
产出： 对话层 LLM 核心（System Prompt + 对话历史 + 上下文组装）+ IntentRouterService + /api/ssa/chat 统一入口 + ChatService
核心认知：对话层 LLM 是系统的大脑和嘴巴（详见《四层七工具实现机制详解》第 1-4 章），不是简单的"调一次 LLM API"。

任务清单

#	任务	工时	产出	依赖
对话层 LLM 基础设施
II-1	ConversationService 核心实现	5h	对话层 LLM 的核心服务：System Prompt 动态组装 + DataContext 注入 + 工具输出注入 + LLM 调用 + 流式/完整回复	Phase I
II-2	对话历史管理	3h	消息历史存储（内存/DB） + 滑动窗口裁剪（根据 Token 预算动态调整窗口大小） + 关键事件摘要压缩	Phase I
II-3	System Prompt 架构实现	4h	基础角色（固定） + DataContext 注入（动态） + 意图指令（按意图切换） + 工具输出注入（按需） + 分析结果注入（discuss 时） — 六段式动态组装	II-1
II-4	System Prompt 模板（全意图）	3h	DB Prompt 表：base_system（基础角色）+ chat_instruction / explore_instruction / consult_instruction / analyze_instruction / discuss_instruction / feedback_instruction（6 个意图指令段）+ Seed 脚本	无
意图路由器
II-5	意图识别规则引擎	3h	intent_rules.json 规则定义 + 规则匹配器（关键词 + 上下文状态）	Phase I
II-6	IntentRouterService 实现	4h	混合路由（规则优先 + LLM 兜底）+ 意图分类输出	II-5
II-7	Intent Router Prompt 模板	1.5h	intent_router_prompt.json + Few-Shot 示例 + Seed 脚本	无
统一对话入口 + 基础意图处理
II-8	统一对话 API /api/ssa/chat	3h	新路由：接收消息 → IntentRouter 分类 → ConversationService 组装上下文 → 分发到对应 Handler → 对话层 LLM 生成回复	II-1, II-6
II-9	ChatService — chat 意图处理	2h	ConversationService(DataContext) → 对话层 LLM 直接回复	II-8
II-10	ChatService — explore 意图处理	2.5h	调用 READ 工具获取数据 → 工具输出注入 ConversationService → 对话层 LLM 生成数据解读	II-8
II-11	前端对话入口统一	2h	SSAChatPane 消息统一走 /api/ssa/chat，按意图渲染不同回复类型	II-8
II-12	Phase II 联调测试	2h	多轮对话连贯性验证 + 各意图场景验证 + 降级验证（LLM 不可用时规则兜底）	全部

意图分发逻辑

/api/ssa/chat 收到消息
  → IntentRouterService.classify(message, sessionContext)
    → chat    → ChatService.handleChat()       → 直接 LLM 回复
    → explore → ChatService.handleExplore()    → DataProfile + LLM 解读
    → consult → Phase III: method_consult 路径
    → analyze → 转发到现有 /api/ssa/workflow/plan（QPER 入口）
    → discuss → Phase V: write_report(interpret) 路径
    → feedback → Phase V: 反思编排路径

ConversationService 核心架构

每次对话请求的处理流程：

用户消息
  → IntentRouterService.classify() → 意图分类
  → ConversationService.buildContext():
      ├── 加载 base_system Prompt（固定角色）
      ├── 注入 DataContext（从 Session 黑板，带 Token 裁剪）
      ├── 注入意图指令段（按 intent 选择对应 Prompt 段）
      ├── 注入工具输出（如有工具调用，结构化 JSON 作为上下文）
      ├── 注入分析结果（discuss/feedback 时，从 Session 黑板取 stepResults 摘要）
      └── 加载对话历史（滑动窗口，5-10 轮）
  → LLM.call(assembledPrompt)
  → 回复返回前端 + 消息存入对话历史

配置化要求

配置项	文件	方法学团队可编辑
意图识别规则（关键词 + 上下文条件）	intent_rules.json	✅
Intent Router Prompt	intent_router_prompt.json 或 DB Prompt 表	✅
基础角色 System Prompt	DB Prompt 表 base_system	✅
6 个意图指令段	DB Prompt 表 chat_instruction / explore_instruction / consult_instruction / analyze_instruction / discuss_instruction / feedback_instruction	✅
意图→可见工具映射	intent_tool_visibility.json	✅
对话历史窗口配置	session_config.json（窗口大小、Token 上限）	IT 团队

验收标准

✅ "这个数据有多少样本？" → 识别为 chat → 对话层 LLM 带 DataContext 直接回复
✅ "帮我看看各组的样本分布" → 识别为 explore → 工具输出注入 → 对话层 LLM 生成数据解读
✅ "对 BMI 和血压做相关分析" → 识别为 analyze → 转入 QPER 流水线
✅ LLM 不可用时 → 规则引擎兜底 → 正确识别明确意图
✅ 无法判断时 → 默认 chat（最安全的兜底）
✅ 多轮对话连贯性：用户说"刚才那个变量" → LLM 从对话历史正确解析为 BMI
✅ 意图切换衔接：consult → analyze 时，LLM 自然衔接"好的，我来按之前讨论的方案执行"

---

6. Phase III — method_consult + ask_user 标准化（20h / 3 天）

目标：系统能给用户推荐分析方法（不执行），并在不确定时主动提问。
产出： method_consult 工具 + ask_user 标准化接口 + consult 意图处理

任务清单

#	任务	工时	产出	依赖
III-1	method_consult Tool 实现	5h	封装 DecisionTableService 四维匹配 + LLM 推理补充 + 返回推荐/替代/前提	Phase I
III-2	method_consult Prompt 模板	2h	method_consult_prompt.json + 方法推荐 Few-Shot	无
III-3	ask_user 后端接口标准化	4h	统一输入/输出 Schema + 请求-响应模式（Node.js 生成卡片 → 前端渲染 → 用户选择 → 恢复流程）	Phase I
III-4	ask_user 前端组件增强	3h	ClarificationCard 升级：支持单选/多选/自由文本、上下文说明、标准化样式	III-3
III-5	consult 意图处理（对话层 LLM 集成）	3h	method_consult 返回匹配结果 → 注入 ConversationService → 对话层 LLM 生成完整方法推荐（理由+前提+替代） → ask_user 确认 → 可转入 analyze	III-1, III-3, Phase II
III-6	ToolRegistryService 骨架	2h	7 工具注册表 + tool_definitions.json + 阶段性可见性查询 API	无
III-7	Phase III 联调测试	1h	consult 场景端到端 + ask_user 确认流程	全部

配置化要求

配置项	文件	方法学团队可编辑
方法推荐 Prompt	method_consult_prompt.json 或 DB Prompt 表	✅
工具定义（名称、描述、层级、参数）	tool_definitions.json	✅
意图→工具可见性映射	intent_tool_visibility.json	✅

验收标准

✅ "我想比较两组差异，应该用什么方法？" → method_consult → 推荐 T 检验 + 理由 + 前提 + 替代方案
✅ method_consult 输出不触发执行，用户确认后才转入 analyze
✅ ask_user 渲染为标准化选择卡片（单选/多选/自由文本）
✅ PICO 确认流程：get_data_overview → LLM 推断 → ask_user 确认 → 写入 Session 黑板
✅ 工具注册表可通过热更新 API 重载

---

7. Phase IV — THINK + ACT 层工具封装（21h / 3 天）

目标：将已有 QPER 底层 Service 封装为标准 Tool 接口，挂载到新工具体系上。
产出： analysis_plan + run_step + write_report(generate) 工具封装 + AVAILABLE_TOOLS 配置化修正

任务清单

#	任务	工时	产出	依赖
IV-1	analysis_plan Tool 封装	4h	封装 Q 层参数提取 + P 层 FlowTemplate 填充 → 输出有序步骤列表	Phase I, Phase III
IV-2	run_step Tool 封装	3h	封装 WorkflowExecutorService + data_source 自动注入（从 Session 黑板取 dataOssKey）	Phase I
IV-3	write_report Tool 封装（generate 模式）	3h	封装 ReflectionService → 论文级报告生成	Phase I
IV-4	analyze 意图完整链路对接（对话层 LLM 集成）	4h	IntentRouter(analyze) → analysis_plan → 对话层 LLM 生成方案说明 → ask_user(确认方案) → run_step ×N（每步对话层 LLM 播报进展） → write_report → 对话层 LLM 生成总结	IV-1, IV-2, IV-3, Phase II
IV-5	AVAILABLE_TOOLS 配置化修正	2h	WorkflowPlannerService 中的硬编码常量改为读取 tools_registry.json	无
IV-6	阶段性工具可见性实现	2h	ToolRegistryService 根据当前意图/阶段过滤可用工具列表，注入 LLM 上下文	III-6
IV-7	analysis_plan 前端审查面板	2h	展示分析方案 → 用户确认/修改 → 确认后触发执行	IV-1, IV-4
IV-8	Phase IV 联调测试	1h	analyze 意图完整旅程验证	全部

data_source 自动注入流程

run_step 被调用
  → ToolOrchestrator 拦截
  → 从 SessionBlackboard 取出 dataOssKey
  → 生成预签名 URL
  → 注入 params.data_source = { type: 'oss', oss_url: signedUrl }
  → POST 给 R 服务
  → LLM 和 analysis_plan 全程不感知 data_source

注：WorkflowExecutorService.resolveDataSource() 已有此逻辑，run_step 封装时直接复用。

验收标准

✅ "对 BMI 和血压做相关分析" → analyze → analysis_plan → 用户确认 → run_step → write_report
✅ analysis_plan 输出确定的 tool_code + params，run_step 傻瓜式转发
✅ data_source 由 Session 黑板自动注入，LLM 上下文中不出现文件路径
✅ WorkflowPlannerService.AVAILABLE_TOOLS 读取 JSON，不再硬编码
✅ 不同阶段 LLM 看到的工具列表不同（数据探索阶段看不到 run_step）

---

8. Phase V — 反思编排 + 高级特性（18h / 3 天）

目标：系统具备自修复能力和结果深度解读能力。
产出： 双轨反思机制 + write_report(interpret) + discuss 意图处理 + feedback 意图处理

任务清单

#	任务	工时	产出	依赖
V-1	错误分类器实现	3h	run_step 返回 error → 分类为"可自愈"(参数级) 或"不可自愈"(方法级)	Phase IV
V-2	自动反思（静默重试）	3h	可自愈错误 → 注入错误日志 + DataContext → LLM 修正参数 → 重试（MAX 2 次）	V-1
V-3	手动反思（用户驱动）	3h	feedback 意图 → 注入完整 qperTrace → LLM 分析 → 新 analysis_plan → 重新执行	V-1, Phase IV
V-4	write_report interpret 模式	3h	ReflectionService 扩展：接收用户问题 + 已有结果 → LLM 深度解读	Phase IV
V-5	discuss 意图处理（对话层 LLM 集成）	2h	检测最近有分析结果 → 分析结果注入 ConversationService → 对话层 LLM 深度解读	V-4, Phase II
V-6	反思 Prompt 模板	2h	reflection_prompt.json（自动修正 + 手动反思两套 Prompt）	无
V-7	Phase V 联调测试	2h	自动重试场景 + 用户不满意场景 + 结果解读场景	全部

双轨反思流程

触发路径 1 — 自动（用户无感知）：
  run_step → error("Column 'BP' not found")
    → 错误分类器 → 可自愈（列名拼写）
    → 注入 {error, dataOverview.columns} → LLM 修正 → 重试
    → 成功 → 用户看到正常结果

触发路径 2 — 手动（用户驱动）：
  用户: "结果不对，p 值不应该这么大"
    → IntentRouter → feedback
    → 注入 qperTrace(最近 3 条，摘要压缩) → LLM 分析原因
    → ask_user("建议：1)换非参数 2)排除极值 3)合并亚组")
    → 用户选择 → 新 analysis_plan → run_step → write_report

配置化要求

配置项	文件	方法学团队可编辑
错误分类映射（R 报错关键词 → 分类）	error_classification.json	✅
自动修正 Prompt	auto_fix_prompt.json 或 DB Prompt 表	✅
手动反思 Prompt	manual_reflection_prompt.json 或 DB Prompt 表	✅
结果解读 Prompt	interpret_prompt.json 或 DB Prompt 表	✅

验收标准

✅ run_step 列名错误 → 自动修正并重试 → 用户无感知看到正常结果
✅ 超过 2 次重试 → 停止重试 → 报告用户并建议替代方案
✅ 用户说"结果不对" → feedback 意图 → 注入 QPER 记录 → 新方案 → 重新执行
✅ 用户说"p 值说明什么" → discuss 意图 → 带分析结果的深度解读
✅ interpret 模式不重新跑分析，只解读已有结果

---

9. Phase VI — 集成测试 + 可观测性（10h / 2 天）

目标：全链路验证 + 开发者调试支持 + 文档更新。
产出： 端到端测试脚本 + QPER 透明化面板 + 文档更新

任务清单

#	任务	工时	产出	依赖
VI-1	端到端测试脚本	3h	覆盖 6 种意图的自动化测试 + 7 工具调用链验证	Phase V
VI-2	QPER + Tool 可观测性面板	4h	开发者面板：意图分类日志、工具调用链、Session 黑板状态、LLM Prompt/Response 可查看	Phase V
VI-3	文档更新	2h	更新模块状态文档 + README + API 文档	Phase V
VI-4	回归测试	1h	确认原有 QPER 流程未被破坏	全部

验收标准

✅ 6 种意图场景全部自动化验证通过
✅ 7 个工具调用链（典型调用链场景 1-5）端到端通过
✅ 开发者面板可查看：IntentRouter 分类结果 + 工具调用序列 + Session 黑板快照
✅ 原有 QPER 直接调用路径（/api/ssa/workflow/plan）仍然可用

---

10. 工时与里程碑

10.1 工时汇总

Phase	名称	工时	日历天	里程碑	v1.1 变更
前置	Phase Deploy（R 工具补齐）	37h	5.5 天	R 工具 7→11，生产环境可用	不变
I	Session 黑板 + READ 层	30h	5 天	系统能看懂数据	不变
II	对话层 LLM + 意图路由器 + 统一对话入口	35h	5.5 天	系统能连贯对话 + 区分意图	+11h：新增 ConversationService(5h) + 对话历史管理(3h) + System Prompt 架构(4h) + 全意图 Prompt 模板(3h)；chat/explore 工时因依赖 ConversationService 而减少
III	method_consult + ask_user	20h	3 天	系统能推荐方法、主动提问	不变（consult 对话层集成已含在 III-5）
IV	THINK + ACT 工具封装	21h	3 天	新工具体系挂载 QPER	+1h：IV-4 analyze 链路增加对话层 LLM 进展播报
V	反思编排 + 高级特性	18h	3 天	自修复 + 结果解读	不变
VI	集成测试 + 可观测性	10h	2 天	全链路验证 + 开发者调试	不变
	本计划合计	134h	~22 天	智能对话 + 工具体系上线	+12h
	含 Phase Deploy 总计	171h	~27.5 天	完整系统升级	+12h

10.2 里程碑时间线

Week 1 ──────────────────────────────────
  Day 1-5.5:  Phase Deploy（R 工具补齐 + 部署）
  ✅ 里程碑 0：R 工具 11 个全部上线

Week 2 ──────────────────────────────────
  Day 6-10:   Phase I（Session 黑板 + READ 层 + DataContext 前端）
  ✅ 里程碑 1：数据上传后展示 DataContext 全貌 + 变量字典

Week 3 ──────────────────────────────────
  Day 11-15.5: Phase II（对话层 LLM 基础设施 + 意图路由器 + chat/explore）
  ✅ 里程碑 2A：多轮连贯对话能力上线（对话层 LLM + System Prompt + 对话历史）

Week 4 ──────────────────────────────────
  Day 16-18:  Phase III（method_consult + ask_user 标准化）
  Day 19-21:  Phase IV（THINK + ACT 工具封装 + analyze 完整链路）
  ✅ 里程碑 2B：系统能区分 6 种意图，支持自由对话 + 方法咨询 + 完整分析链路

Week 5 ──────────────────────────────────
  Day 22-24:  Phase V（反思编排 + discuss + feedback）
  ✅ 里程碑 3：7 工具 + 4 层架构 + 对话层 LLM 完整上线

Week 5-6 ──────────────────────────────
  Day 25-26:  Phase VI（集成测试 + 可观测性 + 文档）
  ✅ 里程碑 4：全系统验收完成

Week 6 后 ──────────────────────────────
  收集用户反馈，评估意图识别准确率 + 对话连贯性
  评估是否需要 RAG 增强 method_consult
  评估 LLM Function Calling 模式预研（Phase 4+ 方向）

10.3 里程碑验收条件

里程碑	核心验收	用户可感知变化
M0	11 个 R 工具全部通过单元测试	更多分析类型可用
M1	上传数据 → 自动展示数据全貌 + PICO 推断 + 变量字典	"系统读懂了我的数据"
M2A	多轮对话连贯 + 对话层 LLM System Prompt 完整 + 意图识别准确	"像和一个记住之前聊过什么的统计专家对话"
M2B	自由对话 + 数据探索 + 方法咨询 + 主动提问 + 完整分析链路	"全流程 AI 陪伴"
M3	完整分析旅程：探索→咨询→确认→执行→报告→解读→反思	"结果不满意可以反思重来"
M4	自动化测试通过 + 开发者面板可用 + 文档齐全	团队可维护和扩展

---

11. 新增配置文件清单

约束：一切业务逻辑靠读 JSON/数据库驱动，绝不写死在 TypeScript 的 if-else 和常量对象中。

11.1 新增 JSON 配置文件

文件	位置	用途	Owner	Phase
tool_definitions.json	backend/config/	7 工具的 LLM 描述（名称、参数 Schema、触发说明）	方法学团队	III
intent_rules.json	backend/config/	意图识别规则（关键词、上下文条件、优先级）	方法学团队	II
intent_tool_visibility.json	backend/config/	意图→可见工具映射	方法学团队	II
session_config.json	backend/config/	Token 控制阈值（变量数裁剪、滑动窗口大小、摘要长度）	IT 团队	I
error_classification.json	backend/config/	R 报错关键词→错误分类映射	方法学团队	V
variable_inference_rules.json	backend/config/	变量类型/角色推断规则（列名模式、数据特征）	方法学团队	I

11.2 新增/更新 Prompt 模板（DB 管理）

Prompt	用途	Seed 脚本	Phase
pico_inference	PICO 推断	seed-ssa-pico-prompt.ts	I
intent_router	意图分类	seed-ssa-intent-router-prompt.ts	II
base_system	对话层 LLM 基础角色（固定段）	seed-ssa-conversation-prompts.ts	II
chat_instruction	chat 意图指令段	seed-ssa-conversation-prompts.ts	II
explore_instruction	explore 意图指令段	seed-ssa-conversation-prompts.ts	II
consult_instruction	consult 意图指令段	seed-ssa-conversation-prompts.ts	II
analyze_instruction	analyze 意图指令段	seed-ssa-conversation-prompts.ts	II
discuss_instruction	discuss 意图指令段	seed-ssa-conversation-prompts.ts	II
feedback_instruction	feedback 意图指令段	seed-ssa-conversation-prompts.ts	II
method_consult	方法推荐	seed-ssa-method-consult-prompt.ts	III
auto_fix	自动错误修正	seed-ssa-auto-fix-prompt.ts	V
manual_reflection	手动反思	seed-ssa-reflection-prompt.ts（扩展）	V
interpret	结果解读	seed-ssa-interpret-prompt.ts	V

11.3 Zod Schema 校验

每个 JSON 配置文件都必须有对应的 Zod Schema，在 ConfigLoader.load() 时严格校验。参考已有的 config/schemas.ts 模式扩展。

---

12. 新增代码目录规划

backend/src/modules/ssa/
├── services/
│   ├── SessionBlackboardService.ts  # 🆕 Phase I：Session 黑板管理
│   ├── ConversationService.ts       # 🆕 Phase II：对话层 LLM 核心（System Prompt 组装 + LLM 调用）
│   ├── ConversationHistoryService.ts # 🆕 Phase II：对话历史管理（存储 + 滑动窗口裁剪）
│   ├── IntentRouterService.ts       # 🆕 Phase II：意图分类
│   ├── ChatService.ts               # 🆕 Phase II：非 analyze 意图的对话处理（依赖 ConversationService）
│   ├── ToolRegistryService.ts       # 🆕 Phase III：工具注册 + 阶段性可见性
│   ├── ToolOrchestratorService.ts   # 🆕 Phase IV：工具编排（data_source 注入等）
│   ├── ErrorClassifierService.ts    # 🆕 Phase V：错误分类
│   ├── QueryService.ts              # 已有，不变
│   ├── DecisionTableService.ts      # 已有，Phase III 封装为 method_consult
│   ├── FlowTemplateService.ts       # 已有，Phase IV 封装为 analysis_plan 内部
│   ├── WorkflowPlannerService.ts    # 已有，Phase IV 修正 AVAILABLE_TOOLS
│   ├── WorkflowExecutorService.ts   # 已有，Phase IV 封装为 run_step
│   ├── ReflectionService.ts         # 已有，Phase V 新增 interpret 模式
│   ├── ConclusionGeneratorService.ts # 已有，不变
│   ├── DataProfileService.ts        # 已有，Phase I 新增单列查询
│   └── DataParserService.ts         # 已有，不变
├── config/
│   ├── ConfigLoader.ts              # 已有，扩展加载新配置
│   ├── schemas.ts                   # 已有，扩展新 Schema
│   ├── tools_registry.json          # 已有（R 工具注册表）
│   ├── decision_tables.json         # 已有
│   ├── flow_templates.json          # 已有
│   ├── tool_definitions.json        # 🆕 Phase III：7 个 Agent 工具定义
│   ├── intent_rules.json            # 🆕 Phase II：意图识别规则
│   ├── intent_tool_visibility.json  # 🆕 Phase II：意图→工具映射
│   ├── session_config.json          # 🆕 Phase I：Token 控制配置
│   ├── error_classification.json    # 🆕 Phase V：错误分类映射
│   └── variable_inference_rules.json # 🆕 Phase I：变量推断规则
├── routes/
│   ├── chat.routes.ts               # 🆕 Phase II：统一对话入口
│   ├── workflow.routes.ts           # 已有，保持兼容
│   ├── config.routes.ts             # 已有，扩展热更新范围
│   └── ...
└── types/
    ├── tool.types.ts                # 🆕 Phase I：Tool 接口定义
    ├── session.types.ts             # 🆕 Phase I：SessionBlackboard 类型
    ├── intent.types.ts              # 🆕 Phase II：意图类型定义
    ├── query.types.ts               # 已有
    └── reflection.types.ts          # 已有

frontend-v2/src/modules/ssa/
├── components/
│   ├── DataContextCard.tsx          # 🆕 Phase I：数据全貌展示卡片
│   ├── VariableDictionaryPanel.tsx  # 🆕 Phase I：变量字典面板
│   ├── AnalysisPlanReview.tsx       # 🆕 Phase IV：分析方案审查面板
│   ├── DevPanel.tsx                 # 🆕 Phase VI：开发者调试面板
│   ├── ClarificationCard.tsx        # 已有，Phase III 标准化增强
│   └── ...
├── stores/
│   └── ssaStore.ts                  # 已有，Phase I 扩展 dataContext 字段
└── types/
    └── index.ts                     # 已有，扩展新类型

---

13. 风险管理

风险	概率	影响	应对
意图识别准确率不足	中	高	混合路由（规则 + LLM）+ 默认兜底为 chat（最安全）；收集误分类日志，持续优化规则
Session 黑板内存泄漏	中	中	使用 CacheFactory（Postgres-Only，参见 §16.4）+ TTL 过期策略（默认 2h）；监控内存占用
Token 成本过高	中	中	Token 控制三原则（stepResults 清旧、qperTrace 滑窗、R 原始输出不入 LLM）
DataContext 注入导致 LLM 上下文过长	低	中	变量字典裁剪策略（≤20 全注入、>20 只注入 confirmed、>50 只注入 PICO 相关）
新旧 API 并存导致混乱	中	低	/api/ssa/chat 为新统一入口；/api/ssa/workflow/plan 保留为内部调用；前端统一走新入口
Phase Deploy 延期影响本计划启动	低	高	Phase I 不依赖 Phase Deploy（只需已有 7 个 R 工具），可并行启动
PICO 推断准确率不足	中	中	始终标记为"AI 推断"，必须经 ask_user 确认才生效；错误推断不影响系统可用性

回退策略

层级	正常路径	降级路径	触发条件
意图路由	LLM 分类	规则引擎兜底	LLM 超时/不可用
chat/explore	LLM(DataContext) 对话	返回 DataContext 结构化摘要（无 LLM 解读）	LLM 超时/不可用
method_consult	决策表 + LLM 推理	仅决策表匹配结果（无 LLM 补充推理）	LLM 超时/不可用
analysis_plan	正常规划	回退到 WorkflowPlannerService 硬编码逻辑	决策表 + 模板均无匹配
反思（自动）	LLM 修正参数	直接报告错误给用户	重试 2 次仍失败
Session 黑板	CacheFactory（Postgres/Memory）	每次从 DataProfileService 重新生成（慢但可用）	缓存过期或丢失

---

14. 验收场景总览

场景 1：完整分析旅程（覆盖 7 工具 + 6 意图）

用户上传数据
  → [自动] get_data_overview → DataContext 卡片展示
用户: "这个数据有什么特点？"
  → [chat] LLM(DataContext) → "您的数据有 200 行 15 列..."
用户: "帮我看看 BMI 这个变量"
  → [explore] get_variable_detail("bmi") → 分布图 + 统计量
用户: "你觉得结局变量是什么？"
  → [explore] LLM 推断 PICO → ask_user 确认 → 写入 Session
用户: "我想比较两组差异，应该用什么方法？"
  → [consult] method_consult → 推荐 T 检验 + 理由 + 前提
用户: "好的，按这个方案执行"
  → [analyze] analysis_plan → 用户确认 → run_step ×N → write_report
用户: "p 值 0.03 说明什么？"
  → [discuss] write_report(interpret) → 深度解读
用户: "能不能换个方法试试？"
  → [feedback] 反思编排 → 新方案 → 重新执行

场景 2：纯数据探索（不做分析）

用户上传数据 → DataContext 展示
用户: "有多少缺失值？" → [chat] 回答
用户: "age 的分布？" → [explore] 变量详情
用户: "哪些变量可能是混杂因素？" → [chat] LLM 基于 DataContext 推理
用户: "谢谢，我先了解这些" → [chat] 结束

场景 3：LLM 不可用降级

用户: "比较两组血压差异"
  → IntentRouter LLM 不可用 → 规则引擎识别 "比较" → analyze
  → 转入 QPER（Q 层有自己的 LLM 降级到正则）
  → 系统功能不中断，退化为 QPER 主线水平

---

15. 与 QPER 主线计划的关系映射

QPER 主线计划内容	本计划处理方式	Phase
Phase Deploy（R 工具补齐 37h）	前置条件，先于本计划执行	前置
Phase Q+（变量字典 + 变量选择面板 20h）	吸收进 Phase I（DataContext + 变量字典面板）	I
QPER 透明化（Pipeline 可观测性）	部分融入 Phase VI（开发者面板）	VI
核心原则"领域知识可配置化"	贯穿全计划，每个 Phase 有配置化要求	全部
会话状态机 ExecutionStatus	扩展：新增意图路由相关状态	II
QPER 级 SSE 事件类型	扩展：新增意图分类、DataContext 就绪等事件	I, II
回退策略表	扩展：新增意图路由、Session 黑板等降级路径	全部

---

16. 实现规范与约束（v1.2 新增）

来源： 架构审查 6 条建议（3 预警 + 3 盲区），经逐条验证和裁定后形成以下实现规范。
强制性： ✅ 必须遵守，开发阶段代码审查时检查。
核心背景： 平台为 Postgres-Only 架构（无 Redis），缓存统一使用 CacheFactory（memory / postgres），参见 docs/04-开发规范/08-云原生开发规范.md。

16.1 预警 W1：禁止向对话层 LLM 传递 Function Calling tools 参数

状态： ✅ 完全接受

问题： 如果在调用对话层 LLM 时传入 tools（OpenAI Function Calling 格式），LLM 将绕过 Node.js 编排层自行决定调用哪个工具，与 Node.js 集中编排的架构冲突。

规范：

// ✅ 正确：Node.js 编排层决定工具调用，LLM 只负责语言生成
const response = await llm.chat(messages, {
  // 不传 tools / function_call 参数
});

// ❌ 禁止：让 LLM 自行决定工具调用
const response = await llm.chat(messages, {
  tools: toolDefinitions,      // ← 禁止！
  tool_choice: 'auto',         // ← 禁止！
});

影响范围： ConversationService、ChatService、所有调用对话层 LLM 的代码
检查时机： Phase II 代码审查
例外： IntentRouterService 的 LLM 兜底分类可以使用 response_format: { type: 'json_object' } 约束输出格式，但不使用 tools

16.2 预警 W2：System Prompt 膨胀控制

状态： ⚠️ 接受（需精细化）

问题： 六段式 System Prompt（base_system + DataContext + 意图指令 + 工具输出 + 分析结果 + 对话历史）可能超出 Token 上限，导致 LLM 质量下降或请求失败。

规范：

控制策略	阈值（可配置）	实现位置
DataContext 裁剪	变量 ≤20 全注入；>20 只注入 confirmed；>50 只注入 PICO 相关	session_config.json
对话历史滑动窗口	默认 5-10 轮（按 Token 预算动态调整，非固定轮数）	session_config.json
工具输出摘要	单次工具输出 ≤500 Token，超出自动截取 top-N 关键字段	session_config.json
分析结果注入	仅 discuss/feedback 时注入，且只取 stepResults 摘要（不含 R 原始输出）	硬规则
总 Token 预算	System Prompt ≤ 4000 Token（可配置上限），超出按优先级裁剪：对话历史 > 工具输出 > DataContext	session_config.json
位置优化	关键指令放在 System Prompt 开头和结尾（LLM 注意力 U 型分布）	ConversationService

配置项扩展（session_config.json）：

{
  "systemPromptTokenBudget": 4000,
  "dataContextTruncation": {
    "fullInjectThreshold": 20,
    "confirmedOnlyThreshold": 50
  },
  "conversationWindowSize": { "min": 3, "max": 10 },
  "toolOutputMaxTokens": 500,
  "truncationPriority": ["conversationHistory", "toolOutput", "dataContext"]
}

影响范围： ConversationService.buildContext()、session_config.json
检查时机： Phase II 任务 II-3（System Prompt 架构实现）

16.3 预警 W3：对话层 LLM 必须使用流式输出

状态： ✅ 完全接受

问题： 对话层 LLM 的回复可能较长（方法推荐、结果解读等场景），非流式模式下用户等待 5-15 秒无反馈，体验差。

规范：

• ConversationService 默认使用 LLMAdapter.chatStream() 而非 chat()
• 通过现有 SSE 基础设施实时推送 LLM 输出 chunk 到前端
• 前端 SSAChatPane 使用已有的 AIStreamChat 组件渲染流式回复

实现要点：

// ConversationService 核心调用方式
async *generateReply(context: ConversationContext): AsyncGenerator<StreamChunk> {
  const messages = this.buildMessages(context);
  yield* this.llmAdapter.chatStream(messages, { /* options */ });
}

平台支持： LLMAdapter.chatStream() 已就绪（backend/src/common/llm/adapters/types.ts），前端 AIStreamChat 已支持流式渲染。
影响范围： ConversationService、ChatService、前端 SSAChatPane
检查时机： Phase II 任务 II-1（ConversationService 核心实现）

16.4 盲区 B1：Session 黑板必须使用 Postgres 缓存（Postgres-Only 架构）

状态： ⚠️ 部分接受（修正：无 Redis，使用 Postgres）

问题： Session 黑板如果使用纯内存 Map 存储，多实例部署时数据不共享，容器重启后丢失。

重要修正： 平台为 Postgres-Only 架构（参见 docs/04-开发规范/08-云原生开发规范.md），无 Redis。缓存统一通过 CacheFactory 管理，支持 memory（本地开发）和 postgres（生产环境）。

规范：

// ✅ 正确：使用平台 CacheFactory（遵循云原生开发规范）
import { CacheFactory } from '@/common/cache/CacheFactory';

export class SessionBlackboardService {
  private cache = CacheFactory.getInstance(); // 自动选择 memory / postgres

  async get(sessionId: string): Promise<SessionBlackboard | null> {
    return this.cache.get(`ssa:session:${sessionId}`);
  }

  async set(sessionId: string, data: SessionBlackboard, ttl?: number): Promise<void> {
    await this.cache.set(`ssa:session:${sessionId}`, data, ttl ?? 7200); // 默认 2h TTL
  }
}

// ❌ 禁止：自建内存 Map（违反云原生规范 §2 "内存缓存 ❌"）
const sessionCache = new Map<string, SessionBlackboard>(); // ← 禁止！

环境切换：

环境	CACHE_TYPE	实际存储
本地开发	memory（默认）	内存 Map，单实例足够
生产部署	postgres	platform_schema.app_cache 表

注意： 无需新建任务，Phase I 任务 I-1（SessionBlackboardService 设计与实现）按此规范使用 CacheFactory 即可。
影响范围： SessionBlackboardService
检查时机： Phase I 代码审查

16.5 盲区 B2：数据依赖意图必须有上下文守卫

状态： ✅ 完全接受

问题： explore、analyze、discuss、feedback 四个意图依赖已上传的数据（DataContext），但用户可能在未上传数据时就发出这些意图的消息（如"帮我分析一下"），此时系统不应崩溃或给出空结果。

规范：

// IntentRouterService 中的上下文守卫
const DATA_DEPENDENT_INTENTS = ['explore', 'analyze', 'discuss', 'feedback'] as const;

function applyContextGuard(intent: Intent, session: SessionBlackboard | null): Intent {
  if (DATA_DEPENDENT_INTENTS.includes(intent) && !session?.dataOverview) {
    return {
      type: 'chat',
      metadata: { 
        guardTriggered: true, 
        originalIntent: intent,
        guidanceMessage: 'need_data_upload'  // 触发引导语
      }
    };
  }
  return { type: intent };
}

用户体验： 当守卫触发时，对话层 LLM 收到 guidanceMessage: 'need_data_upload'，自然回复："您还没有上传数据，上传 CSV/Excel 后我就能帮您分析了。您也可以先问我统计方法相关的问题。"

配置化： 守卫映射（哪些意图需要哪些上下文前置条件）放入 intent_rules.json：

{
  "contextGuards": {
    "explore": { "requires": ["dataOverview"] },
    "analyze": { "requires": ["dataOverview"] },
    "discuss": { "requires": ["dataOverview", "latestStepResults"] },
    "feedback": { "requires": ["dataOverview", "latestStepResults"] }
  }
}

影响范围： IntentRouterService、intent_rules.json
检查时机： Phase II 任务 II-6（IntentRouterService 实现）

16.6 盲区 B3：LLM 输出 Zod 动态校验模式扩展

状态： ⚠️ 部分接受（Q 层已有，需扩展到其他 LLM 输出点）

问题： LLM 可能生成不存在的列名、不合法的统计方法等幻觉参数，需要用 Zod 校验拦截。

现状： Q 层 QueryService 已有 createDynamicIntentSchema(validColumns)，用 z.enum 动态校验列名。

规范 — 需要新增 Zod 校验的 LLM 输出点：

LLM 输出点	校验内容	Phase
Q 层 QueryService	列名 z.enum(validColumns)	✅ 已有
IntentRouterService LLM 兜底	意图类型 z.enum(['chat','explore','consult','analyze','discuss','feedback'])	II
method_consult LLM 补充推理	方法名 z.enum(registeredMethods) — 从 decision_tables.json 动态提取	III
ConversationService（自动修正）	修正后的参数列名 z.enum(validColumns)	V

不需要 Zod 校验的工具（模板驱动）：

工具	原因
analysis_plan	输出来自 FlowTemplateService 模板填充，非 LLM 自由生成
run_step	参数来自 analysis_plan 输出，傻瓜式转发
write_report	输出为自然语言报告，无结构化参数需校验

实现模式： 复用 Q 层的动态 Schema 工厂模式：

// 通用模式：从运行时数据构建 Zod Schema
function createDynamicSchema<T>(validValues: T[]) {
  return z.enum(validValues as [T, ...T[]]);
}

影响范围： IntentRouterService、method_consult Tool、ConversationService（自动修正）
检查时机： Phase II / III / V 各自代码审查

---

17. 附录：架构约束速查表

开发时快速参考，无需回查全文。

#	约束	违反后果	检查阶段
C1	对话层 LLM 禁止 传入 tools / function_call 参数	LLM 绕过编排层自行调用工具，失控	Phase II
C2	System Prompt 总 Token ≤ 4000（可配置），超出按优先级裁剪	LLM 注意力稀释，回复质量下降	Phase II
C3	对话层 LLM 默认使用 chatStream() 流式输出	用户等待 5-15 秒无反馈，体验差	Phase II
C4	Session 黑板使用 CacheFactory（Postgres-Only，无 Redis）	多实例数据不共享 / 违反云原生规范	Phase I
C5	数据依赖意图（explore/analyze/discuss/feedback）必须有上下文守卫	未上传数据时系统崩溃或空结果	Phase II
C6	LLM 输出涉及枚举值（列名、方法名、意图类型）必须 Zod 动态校验	LLM 幻觉参数导致下游工具失败	Phase II/III/V
C7	Postgres-Only 架构：禁止引入 Redis 等外部缓存依赖	增加运维复杂度，违反平台规范	全 Phase
C8	R 原始输出 不入 LLM 上下文	Token 浪费，可能触发上下文超限	Phase IV/V

---

文档维护者： SSA 架构团队
创建日期： 2026-02-21
最后更新： 2026-02-22（v1.2 — 新增实现规范与约束：6 条审查建议 + Postgres-Only 缓存修正）
下一步行动：

1. Phase Deploy 启动（R 工具补齐，5.5 天）
2. Phase Deploy 完成后立即启动 Phase I（Session 黑板 + READ 层）
3. Phase I 和 Phase Deploy 可考虑部分并行（Phase I 不依赖新 R 工具）

变更日志

版本	日期	变更内容
v1.0	2026-02-21	初版：6 Phase 开发计划，122h/20 天
v1.1	2026-02-21	新增对话层 LLM 基础设施：① Phase II 新增 ConversationService 核心实现(5h) + 对话历史管理(3h) + System Prompt 架构实现(4h) + 全意图 Prompt 模板(3h)；② Phase II 名称改为"对话层 LLM + 意图路由器 + 统一对话入口"，24h→35h；③ Phase IV analyze 链路增加对话层 LLM 进展播报(+1h)；④ Prompt 模板清单从 7 个扩展为 13 个（新增 base_system + 6 个意图指令段）；⑤ 新增 ConversationService.ts + ConversationHistoryService.ts；⑥ 总工时 122h→134h，27.5 天含 Deploy
v1.2	2026-02-22	新增实现规范与约束（§16-§17）：① 6 条架构审查建议（3 预警 W1-W3 + 3 盲区 B1-B3）转化为实现规范；② 修正 Session 黑板缓存策略为 Postgres-Only（无 Redis，遵循平台云原生规范）；③ 新增架构约束速查表（8 条 C1-C8）；④ 无新增工时（规范融入已有任务）