HaHafeng
0c590854b5
Features: - Add V2.9 enhancements: Cron Skill, User Profiling, Feedback Loop, Multi-Intent Handling - Create modular development plan documents (database, engines, services, memory, tasks) - Add V2.5/V2.6/V2.8/V2.9 design documents for architecture evolution - Add system design white papers and implementation guides Architecture: - Dual-Brain Architecture (SOP + ReAct engines) - Three-layer memory system (Flow Log, Hot Memory, History Book) - ProfilerService for personalized responses - SchedulerService with Cron Skill support Also includes: - Frontend nginx config updates - Backend test scripts for WeChat signature - Database backup files Co-authored-by: Cursor <cursoragent@cursor.com>
167 lines
7.1 KiB
Markdown
167 lines
7.1 KiB
Markdown
# **IIT Manager Agent V2.6 智能化升级方案：双脑架构**
|
||
|
||
**背景：** 响应产品经理关于“系统不够智能、交互僵硬”的反馈。
|
||
|
||
**核心目标：** 在保留 V2.5 **SOP 严谨性**（左脑）的基础上，引入 **ReAct 灵活性**（右脑），打造“懂人话”的智能助手。
|
||
|
||
**适用对象：** 2人高效开发团队
|
||
|
||
## **1\. 核心理念：为什么我们需要“两个大脑”？**
|
||
|
||
我们之前的架构（V2.5）构建了一个完美的\*\*“左脑”**（逻辑、规则、流程），现在我们需要补上**“右脑”\*\*（直觉、推理、对话）。
|
||
|
||
| 维度 | 左脑 (SOP 状态机) \- V2.5 | 右脑 (ReAct Agent) \- V2.6 新增 |
|
||
| :---- | :---- | :---- |
|
||
| **擅长** | 执行标准流程、合规检查、填报表 | 处理模糊提问、多步查询、综合分析 |
|
||
| **典型指令** | "对 P001 进行入排质控" | "帮我查下最近那个发烧的病人是谁？" |
|
||
| **思维方式** | **线性执行** (Step 1 \-\> Step 2\) | **循环推理** (思考 \-\> 查库 \-\> 发现不够 \-\> 再查) |
|
||
| **安全性** | 极高 (写操作必须走这里) | **只读 (Read-Only)**，严禁直接修改数据 |
|
||
| **用户评价** | "靠谱但死板" | "聪明但不可控" |
|
||
|
||
**解决方案：**
|
||
|
||
我们不是要推翻 V2.5，而是要在它旁边挂载一个 **ReAct Agent**，并通过一个智能的 **意图路由器 (Router)** 来决定用哪个脑子。
|
||
|
||
## **2\. 架构升级：双脑路由模型 (The Dual-Brain Architecture)**
|
||
|
||
我们在 ChatService 中引入一个由 LLM 驱动的**意图识别层**。
|
||
|
||
graph TD
|
||
User\[用户输入: "那个发烧的病人..."\] \--\> Router\[🧠 意图路由层 (LLM)\]
|
||
|
||
Router \--\>|意图: 模糊查询/分析| ReAct\[🎨 右脑: ReAct Agent\]
|
||
Router \--\>|意图: 标准作业/写操作| SOP\[📐 左脑: SOP Engine\]
|
||
Router \--\>|意图: 信息缺失| AskBack\[❓ 追问机制\]
|
||
|
||
subgraph "共享工具池 (ToolsService)"
|
||
T1\[read\_clinical\_data\]
|
||
T2\[search\_protocol\]
|
||
T3\[get\_project\_stats\]
|
||
end
|
||
|
||
ReAct \--\>|调用 (只读)| T1
|
||
ReAct \--\>|调用 (只读)| T2
|
||
|
||
SOP \--\>|调用 (读写)| T1
|
||
SOP \--\>|调用 (读写)| T3
|
||
|
||
## **3\. 关键组件实现 (Phase 5\)**
|
||
|
||
### **3.1 智能意图路由 (The Router)**
|
||
|
||
不要用正则表达式，直接用 LLM 判断用户想干什么。
|
||
|
||
// backend/src/modules/iit-manager/services/IntentService.ts
|
||
|
||
export class IntentService {
|
||
async detect(message: string, history: any\[\]): Promise\<IntentResult\> {
|
||
const prompt \= \`
|
||
你是一个临床研究助手的"分诊台"。请分析用户输入，返回 JSON。
|
||
|
||
用户输入: "${message}"
|
||
|
||
分类标准：
|
||
1\. QC\_TASK: 明确的质控、检查、录入指令（如"检查P001"）。
|
||
2\. QA\_QUERY: 模糊的查询、分析、统计问题（如"查下那个发烧的..."）。
|
||
3\. UNCLEAR: 指代不清，缺少关键信息（如"他怎么样了？"）。
|
||
|
||
返回格式: { "type": "QC\_TASK" | "QA\_QUERY" | "UNCLEAR", "reason": "...", "missing\_info": "..." }
|
||
\`;
|
||
|
||
const result \= await this.llm.chat(prompt);
|
||
return JSON.parse(result);
|
||
}
|
||
}
|
||
|
||
### **3.2 右脑：ReAct Agent (The Smart Loop)**
|
||
|
||
PM 提到的 ReAct 是对的。我们需要一个循环，让 AI 自己决定调什么工具，调几次。
|
||
|
||
**核心逻辑：**
|
||
|
||
1. **思考**：用户问“最近入组的女性患者平均年龄”，我需要先查最近入组名单，再查她们的年龄，最后计算。
|
||
2. **行动**：调用 read\_clinical\_data(filter="recent")。
|
||
3. **观察**：拿到 5 个患者数据。
|
||
4. **思考**：数据有了，我自己算一下平均值。
|
||
5. **回答**：35.5岁。
|
||
|
||
// backend/src/modules/iit-manager/engines/ReActEngine.ts
|
||
|
||
export class ReActEngine {
|
||
constructor(private tools: ToolsService) {}
|
||
|
||
async run(query: string, context: any) {
|
||
let messages \= \[
|
||
{ role: 'system', content: \`你是一个智能助手。你可以使用工具回答问题。请使用 ReAct 模式思考。\` },
|
||
{ role: 'user', content: query }
|
||
\];
|
||
|
||
// 最多思考 5 轮，防止死循环费钱
|
||
for (let i \= 0; i \< 5; i++) {
|
||
const response \= await this.llm.chat(messages, { tools: this.tools.getDefinitions() });
|
||
|
||
// 1\. AI 决定结束
|
||
if (\!response.hasToolCall) return response.content;
|
||
|
||
// 2\. AI 决定调工具
|
||
const toolResult \= await this.tools.execute(response.toolName, response.args);
|
||
|
||
// 3\. 把结果喂回去
|
||
messages.push({ role: 'tool', content: JSON.stringify(toolResult) });
|
||
}
|
||
}
|
||
}
|
||
|
||
### **3.3 追问机制 (Clarification)**
|
||
|
||
这是解决“像个傻子”的关键。如果意图识别是 UNCLEAR，不要报错，要追问。
|
||
|
||
* **User**: "他怎么样了？"
|
||
* **Old Agent**: "未找到指令。" (傻子)
|
||
* **New Agent**: "请问您指的是哪位患者？是刚刚讨论的 P001 吗？" (智能)
|
||
|
||
**实现**：
|
||
|
||
在 ChatService 中，如果 IntentService 返回 UNCLEAR，直接把 missing\_info 包装成反问句返回给用户。
|
||
|
||
## **4\. 融合后的开发计划更新 (Merge into V2.5)**
|
||
|
||
我们将 PM 的建议整合进开发计划，作为 **Week 4+ 的核心任务**。
|
||
|
||
### **Phase 5：智能化增强 (Smart Layer) \- 新增**
|
||
|
||
| 时间 | 任务 | 说明 |
|
||
| :---- | :---- | :---- |
|
||
| **Day 22** | **意图识别路由** | 实现 IntentService，替代 Keyword 匹配。 |
|
||
| **Day 23** | **ReAct 引擎实现** | 实现多轮思考循环，对接 ToolsService（复用现有工具）。 |
|
||
| **Day 24** | **上下文记忆增强** | 升级 SessionMemory，支持由近及远的对话历史回溯。 |
|
||
| **Day 25** | **主动追问 UI** | 前端支持“建议气泡”（Suggestion Chips），方便用户点击回复追问。 |
|
||
|
||
## **5\. 风险控制：给 ReAct 戴上镣铐**
|
||
|
||
为了防止 PM 担心的“太灵活导致不可控”，我们需要加两条铁律：
|
||
|
||
1. **右脑（ReAct）只读不写**：
|
||
* ReAct Agent 只能调用 read\_\* 和 search\_\* 类工具。
|
||
* 如果它想修改数据（如 update\_record），必须引导用户：“看来你需要修改数据，这属于质控流程，请确认是否启动【修改 SOP】？”
|
||
* **原因**：避免 AI 在聊天中随口把临床数据改了，这是合规红线。
|
||
2. **幻觉熔断**：
|
||
* ReAct 循环中，如果连续 2 次调用工具报错，强制终止并转人工。
|
||
* 避免 AI 在那里自言自语浪费 Token。
|
||
|
||
## **6\. 结论**
|
||
|
||
**你是对的，PM 也是对的。**
|
||
|
||
* **V2.5 (SOP)** 是我们的**骨架**，保证我们站得稳（合规、准确）。
|
||
* **PM 建议 (ReAct)** 是我们的**血肉**，让我们看起来像个人（灵活、智能）。
|
||
|
||
**最终策略：**
|
||
|
||
继续执行 V2.5 的前 3 周计划（那是基础）。
|
||
|
||
在 **Week 4**，原本计划做“视觉识别”，现在建议**替换为“智能化增强（ReAct \+ 意图路由）”**。
|
||
|
||
* 理由：视觉识别是锦上添花，而“不被当成傻子”是用户留存的关键。
|
||
|
||
**行动：** 请批准将“视觉识别”延后，优先开发“双脑路由”模块。 |