AIclinicalresearch/docs/03-业务模块/RVW-稿件审查系统/00-系统设计/RVW V2.0 MVP 产品需求文档 (PRD).md

RVW V2.0 MVP 产品需求文档 (PRD)

项目名称： RVW 智能审稿系统 V2.0 (Intelligent Review Engine)

核心战役： "数据侦探" (Data Forensics) + "柔性架构" (Skills Architecture)

文档版本： v1.0 (Draft)

优先级： P0

面向对象： 产品经理、后端工程师、Python 工程师、前端工程师

1. 项目背景与目标 (Background & Goals)

1.1 背景

当前的 RVW 模块（v3.2）是一个基于 LLM 的“文档阅读器”，能较好地完成稿约规范性和方法学评估。然而，在面对中文核心期刊（对政治安全和数据造假的零容忍）和高水平英文期刊（对学术深度的要求）时，系统存在以下痛点：

1. 数据验证能力缺失：无法识别表格中的数据造假（如 P 值捏造、合计错误）。
2. 架构僵化：无法针对不同期刊配置不同的审稿流程（如 A 期刊查政治，B 期刊查数据）。
3. PDF 解析瓶颈：复杂表格在 PDF 中识别率低，导致计算不可行。

1.2 核心目标

本期项目采用 “垂直切片 (Vertical Slice)” 策略，不追求大而全，而是集中兵力攻克核心技术壁垒。

1. 业务目标：实现对 Word 稿件 中表格数据的**“审计级”验证**，包括算术自洽性和基础统计复核。
2. 架构目标：落地 Skills (技能) 架构，将审稿能力原子化，为未来扩展（如政治审查、竞品对标）奠定底座。
3. 交付物：一个能自动提取 Word 表格、计算数据错误、并在前端高亮显示的 MVP 版本。

2. 用户画像与场景 (User Stories)

用户角色	典型场景	期望结果
期刊初审编辑	收到一篇包含 5 个表格的 Word 稿件，怀疑作者捏造了 P 值。	上传稿件后，系统自动高亮 Table 1 中的 3 处算术错误，并提示 Table 2 的 P 值与数据不符（计算值 0.04 vs 报告值 0.8）。
系统管理员	需要为医学类期刊配置“强制数据检查”，为社科类期刊配置“仅文本检查”。	能够在后台通过 Profile 配置文件，灵活组合不同的 Skill（技能）。
开发人员	需要快速新增一个“图片查重”功能。	能够开发一个新的 Skill 并注册到系统，无需修改核心审稿逻辑代码。

3. MVP 范围定义 (Scope)

为了确保 3 周内上线，我们严格划定 MVP 边界：

维度	✅ MVP 包含 (In Scope)	❌ MVP 不包含 (Out of Scope)
文件格式	Word (.docx, .doc) 优先	PDF, 图片扫描件
表格类型	三线表 (Standard Tables)	跨页断裂表、极其复杂的嵌套表
验证深度	L1 (算术) + L2 (基础 P 值)	L3 (回归逻辑), L4 (跨表一致性)
Skill 数量	DataForensicsSkill (数据侦探)	政治审查、竞品对标、方法学检查
架构改造	Skill Interface, Profile Config	动态 Profile 管理 UI, 计费系统
前端交互	静态报告 (新增数据验证 Tab)	交互式 Chat, 在线修改表格

4. 详细功能需求 (Functional Requirements)

4.1 核心功能：数据侦探 (Data Forensics)

FR-1: Word 表格精准提取

• 输入：Word 文档流。
• 逻辑：
  • 识别文档中的所有表格对象。
  • 关键：合并单元格处理。对于 Merge Cells，必须采用 Forward Fill (向前填充) 策略。
    • Case: 表头 "Group A" 跨了两列，提取后的 DataFrame 这两列的表头都应为 "Group A"。
  • 关联 Caption：自动向前回溯，提取表格上方的 "Table X. xxxx" 作为表格标题。
• 输出：结构化的 JSON 数据（包含每个单元格的值、坐标）。

FR-2: L1 算术自洽性验证

• 逻辑：Python 后端对提取的 DataFrame 进行计算。
  • Sum Check：识别 "Total" 列，验证是否等于其他列之和。
  • Percentage Check：识别 n (%) 格式，验证 n/N 是否等于 %。
• 容错：允许 ±0.1% 的舍入误差。

FR-3: L2 统计学复核

• 逻辑：针对 T 检验和卡方检验的逆向验证。
  • 识别：从表头或单元格中提取 Mean ± SD 或 n (%)。
  • 计算：调用 scipy.stats 计算 P 值。
  • 比对：将计算出的 P 值与表中报告的 P 值比对。
• 阈值：差异 > 0.05 视为重大错误（Error），0.01-0.05 视为警告（Warning）。

4.2 架构功能：Skills 引擎

FR-4: Skill 接口标准

• 系统必须定义统一的 Skill 接口：
  interface Skill {
  id: string;
  run(context: DocumentContext, config: any): Promise<SkillResult>;
  }

FR-5: Profile 配置驱动

• 审稿流程不再硬编码。
• 系统读取 journal_profile.json，其中定义了 skills: ["DataForensicsSkill"]。
• Worker 根据配置依次调度 Skill。

5. 技术架构与实现 (Technical Architecture)

5.1 数据流图 (Data Flow)

graph LR
Word[Word稿件] --> Python[Python Microservice]
Python --"1.提取表格\n2.Pandas计算"--> Result[JSON验证结果]
Result --> Node[Node.js Backend]
Node --"封装为"--> Skill[DataForensicsSkill]
Skill --> DB[Postgres (rvw_schema)]
DB --> UI[前端报告页]

5.2 Python 服务升级 (python-extraction)

• 新增库：python-docx, pandas, scipy, libreoffice (Docker内)。
• 新增接口：POST /api/v1/forensics/analyze_docx。
• 核心类：
  • DocxTableExtractor: 负责 DOM 解析和清洗。
  • StatValidator: 负责数学计算。

5.3 Node.js 后端升级

• 目录结构：
  • modules/rvw/skills/core/: 存放基础接口 (Skill, SkillRegistry)。
  • modules/rvw/skills/library/: 存放具体实现 (DataForensicsSkill)。
• 数据库变更：
  • ReviewTask 表增加 contextData (Json) 字段，用于存储 Skill 的输出。

5.4 前端升级 (frontend-v2)

• TaskDetail：新增一个 Tab "数据验证 (Data Forensics)"。
• 展示组件：
  • 左侧：渲染还原后的 HTML 表格。
  • 右侧：错误列表（点击错误项，表格中对应单元格高亮变红）。

6. 实施路线图 (Roadmap)

我们采用 3 周冲刺 计划。

Week 1: 攻克算力 (Python & Word)

• 目标：Python API 能跑通，准确提取 Word 表格并算出错误。
• 关键任务：
  1. 集成 LibreOffice 实现 doc 转 docx。
  2. 编写 DocxTableExtractor (重点解决合并单元格)。
  3. 编写 StatValidator。

Week 2: 架构封装 (Node.js)

• 目标：后端代码 Skills 化，不再写死逻辑。
• 关键任务：
  1. 定义 TypeScript Skill 接口。
  2. 实现 DataForensicsSkill (调用 Python)。
  3. 改造 ReviewService 使用 Profile 配置。

Week 3: 前端与交付

• 目标：用户可见。
• 关键任务：
  1. 开发数据验证报告 UI。
  2. 全链路联调测试。
  3. 部署上线。

7. 验收标准 (Acceptance Criteria)

1. 准确性：上传一份标准的临床三线表 Word 文档，表格数据提取准确率需达到 99%（无错行错列）。
2. 验证能力：
   • 能检出明显的 Sum 错误（如 50+50=90）。
   • 能检出明显的 P 值错误（如两组数据差异巨大但 P=0.8）。
3. 稳定性：处理 100 页的 Word 文档不超时（或有合理的异步处理机制）。
4. 架构规范：后端代码中不存在硬编码的审稿逻辑，必须通过 Skill 模式调用。

8. 附录：数据结构示例

Python 返回的 JSON 格式：

{
"tables": [
{
"id": "tbl_0",
"caption": "Table 1. Baseline Characteristics",
"issues": [
{
"severity": "ERROR",
"cell_ref": "R3C4",
"message": "Calculated P-value (0.03) differs from reported (0.85)",
"evidence": { "calc": 0.03, "report": 0.85 }
}
],
"data": [ ...二维数组... ]
}
]
}