AIclinicalresearch/docs/03-业务模块/RVW-稿件审查系统/00-系统设计/RVW V2.0 架构升级方案：基于 Skills 的柔性审稿引擎.md

RVW V2.0 架构升级方案：基于 Skills 的柔性审稿引擎

文档版本： v2.0 (Strategic Release)

最后更新： 2026-02-16

核心理念： 认知依赖注入 (Cognitive Dependency Injection) —— 将审稿能力封装为原子化的 Skills，通过配置引擎（Profile）动态注入给 SOP 引擎（报告）和 ReAct 引擎（对话）。

架构依据： 基于《AI Skills 落地应用探讨》与中英文期刊差异化需求。

1. 核心定义：什么是 RVW Skills？

在 V2.0 架构中，Skill 不再是一个简单的函数，它是连接**非确定性大模型（LLM）与确定性业务系统（Code）**的桥梁。

一个标准的 RVW Skill 包含三个不可分割的部分（Schema First 原则）：

1. 语义接口 (Semantic Interface)：告诉 LLM "什么时候用"（例如："当需要验证药物剂量时调用"）。
2. 数据契约 (Schema)：严格定义的输入输出结构（例如：drug_name: string, dosage: number），确保代码执行的安全性。
3. 原生函数 (Native Function)：实际执行任务的代码（Python/SQL），“推理在模型，执行在代码”。

2. 总体架构：双脑协同与护栏防御体系

我们摒弃了 V1.0 的线性流程，采用了 “双脑协同 + 中间件护栏” 的立体架构。

系统架构图

graph TD
subgraph "输入层"
Doc[稿件 PDF/Word]
Profile[期刊配置 Profile]
end

subgraph "Layer 1: 护栏中间件 (Middleware Guardrails)"  
    direction TB  
    SafeGuard\[🛡️ 政治与合规护栏\]  
    note1\[Pre-Hook: OCR地图/敏感词拦截\<br\>Post-Hook: 幻觉检测\]  
end

subgraph "Layer 2: 审稿编排引擎 (The Core)"  
    Registry\[🧩 Skills Registry 技能注册表\]  
    Router\[🚦 Skill Router 动态路由\]  
    Context\[Shared Context 共享上下文\]  
end

subgraph "Layer 3: 原子能力库 (Skills)"  
    direction BT  
    S\_Native\[🐍 Python计算 Skill\<br\>(数据造假/统计验证)\]  
    S\_RAG\[🧠 知识检索 Skill\<br\>(医学常识/pgvector)\]  
    S\_Search\[🌍 外部搜索 Skill\<br\>(竞品对标/ASL联动)\]  
    S\_Logic\[⚖️ 逻辑校验 Skill\<br\>(入排标准/pg\_bigm)\]  
end

subgraph "输出层 (双脑应用)"  
    SOP\[🧠 左脑: SOP 流程引擎\<br\>(生成静态审稿报告)\]  
    ReAct\[🧠 右脑: ReAct 对话引擎\<br\>(交互式学术 Copilot)\]  
end

Doc \--\> SafeGuard  
SafeGuard \--阻断/通过--\> Router  
Profile \--\> Router  
  
Router \--动态加载--\> Registry  
Registry \<--\> S\_Native & S\_RAG & S\_Search & S\_Logic  
  
Registry \--\> SOP  
Registry \--\> ReAct  
  
SOP \--\> Context  
Context \<--\> ReAct

3. 三层防御与赋能体系 (The 3-Layer Capability)

Layer 1: 政治与合规护栏 (Middleware Guardrail)

针对痛点：中文期刊的政治红线（地图、涉敏言论）。

• 性质：这不是一个可选的 Skill，而是系统级的 Interceptor (拦截器)。
• 机制：
  • Pre-Hook (输入前)：
    • 调用 OCR 识别图片 -> 匹配“中国地图特征库” -> 缺失藏南/南海 -> 熔断拒稿。
    • 扫描全文 -> 匹配“高危敏感词库” -> 命中 -> 熔断拒稿。
  • Post-Hook (输出后)：
    • 扫描 LLM 生成的审稿意见，防止 AI 产生不当言论。
• 配置策略：中文核心期刊强制开启 (Blocker 级别)，英文期刊可降级为 Warning 或关闭。

Layer 2: 原生计算能力 (Native Execution Skills)

针对痛点：数据造假、统计学错误。

• 核心原则：LLM 只写参数，不负责计算。
• 典型 Skill：DataForensicsSkill (数据侦探)
  • Step 1 (LLM)：从 Markdown 表格中提取数据，生成 JSON：{"group_a_n": 50, "group_a_mean": 12.5, "group_a_sd": 2.1}。
  • Step 2 (Python)：调用 scipy 库复核 P 值，使用 Benford's Law (本福特定律) 检查首位数字分布。
  • Step 3 (LLM)：根据 Python 返回的 {"p_value_consistent": false, "benford_score": 0.04} 生成自然语言警告。

Layer 3: 学术智慧能力 (RAG & Agent Skills)

针对痛点：医学常识错误、竞品对标。

• 典型 Skill：MedicalLogicSkill (常识校验)
  • 底层支持：利用 Postgres (pgvector) 挂载《临床用药指南》和《诊断学参考值》。
  • 流程：提取“卡托普利 500mg” -> 向量检索知识库 -> 发现正常范围是 12.5-50mg -> 触发警告。
• 典型 Skill：BenchmarkSkill (竞品对标)
  • 联动：调用 ASL (智能文献) 模块 API。
  • 流程：搜索相似文献 -> 对比样本量与方法学 -> 生成“竞争力分析报告”。

4. 固定的 vs. 可配置的 (Architecture Boundary)

基于“工厂模式”理念，我们将系统划分为“流水线（固定）”和“模具（可配置）”。

✅ 固定的 (Infrastructure - 平台底座)

所有期刊共用，不随业务变化：

1. Middleware Pipeline：支持 Pre/Post Hook 的拦截器架构。
2. Skill Registry：技能注册与发现机制。
3. Postgres-Only Stack：
   • pgvector：承载医学知识库、稿件内容记忆。
   • pg_bigm：承载精确的术语匹配（如药物名）。
   • pg-boss：承载长耗时任务（如全网文献对标）。
4. Python Microservice：提供 OCR、PDF 解析、统计计算等“硬核”算力。

🎛️ 可配置的 (Journal Profile - 业务逻辑)

通过 JSON 配置定义，适应不同期刊：

1. Guardrail Strictness (护栏严格度)：
   • "political_check": "BLOCKER" (中文核心) vs "WARNING" (普通期刊)。
2. Skill Selection (技能组合)：
   • 中文组合：DataForensics + MedicalLogic + Editorial_CN。
   • 英文组合：Methodology_CONSORT + Benchmark_PubMed + Editorial_EN。
3. Chat Persona (对话人格)：
   • "persona": "严厉的政治审查员" vs "persona": "建设性的学术导师"。

5. 场景演练：从上传到对话

场景 A：中文核心期刊（政治与数据为王）

1. 上传：文件经过 Layer 1 护栏。OCR 发现地图缺失，直接抛出 FatalError: MapIntegrityViolation，流程终止。用户收到拒稿通知。
2. 修正后上传：通过护栏。
3. SOP 引擎：自动调用 DataForensicsSkill。Python 后端发现“表1数据标准差异常”，写入报告。
4. ReAct 引擎 (Chat)：用户问：“为什么说我数据有问题？”
   • Chat Agent 读取 Shared Context。
   • 回答：“根据 Benford 定律检测，您数据的首位数字分布偏离自然规律 30%，建议复核原始记录。”

场景 B：英文顶刊（创新与对标为王）

1. 上传：跳过政治护栏（配置为通过）。
2. SOP 引擎：调用 BenchmarkSkill。ASL 模块检索到 3 篇上个月发表的类似文章，样本量均大于本稿件。
3. 报告生成：在“创新性评估”一栏标注：“样本量竞争力不足 (Low Competitiveness)”。
4. ReAct 引擎 (Chat)：用户问：“我该怎么修改才能达到发表标准？”
   • Chat Agent 调用 MethodologySkill。
   • 回答：“建议参考 Smith et al. (2025) 的多中心设计，将样本量扩充至 200 例，并补充亚组分析。”

6. 开发实施路线图 (Implementation Roadmap)

Phase 1: 基础设施与定义 (Infrastructure)

• [ ] 定义 Schema：在 backend/src/modules/rvw/skills/definitions/ 下定义 SkillInterface 和各类 Skill 的 JSON Schema。
• [ ] 建立 Registry：实现简单的内存级 Skill 注册表。

Phase 2: 护栏与原生技能 (The Hard Stuff)

• [ ] 实现 Middleware：在 Document Service 中插入 Pre-Hook 逻辑。
• [ ] 开发 Python Skills：在 python-extraction 服务中新增 /analyze-table 和 /ocr-check 接口。
• [ ] 实现 PoliticalGuardrail：基础的敏感词匹配 + 地图 OCR 占位符。

Phase 3: 学术技能与双脑打通 (The Smart Stuff)

• [ ] 实现 MedicalLogicSkill：利用现有的 pgvector 基础设施。
• [ ] 集成 ASL：开发 BenchmarkSkill 调用 ASL 模块 API。
• [ ] 升级 Chat：让 AIA 组件能读取审稿报告的 Context，并具备 Function Calling 能力。

7. 总结

V2.0 架构不仅仅是功能的堆砌，而是系统哲学的转变：

• 从 "LLM 尽力而为" 转向 "Guardrail 绝对防御"。
• 从 "单一审稿报告" 转向 "交互式学术伙伴"。
• 从 "文本生成" 转向 "工具调用 (Tool Use)"。

这套架构将确保 RVW 既能满足中文期刊的“生死红线”，又能满足英文期刊的“学术高度”。