triage/agent_system/prompter/agent.py

from typing import Any
from agent_system.base import BaseAgent
from agent_system.prompter.prompt import PrompterPrompt
from agent_system.prompter.response_model import PrompterResult


class Prompter(BaseAgent):
    """
    预问诊询问智能体生成专家
    
    基于患者的现病史、既往史、主述以及当前具体任务，
    生成针对该任务的专门询问子智能体的description和instructions。
    该子智能体将负责围绕特定主题向患者进行专业的预问诊询问。
    
    核心功能:
    1. 理解当前任务的具体要求和询问重点
    2. 整合患者的病史背景信息
    3. 为目标询问子智能体定义清晰的专业角色
    4. 制定仅限于可询问内容的具体指令
    
    Attributes:
        model_type (str): 使用的大语言模型类型，默认为 gpt-oss:latest
        llm_config (dict): LLM模型配置参数
    """
    
    def __init__(self, model_type: str = "gpt-oss:latest", llm_config: dict = None):
        """
        初始化Prompter智能体
        
        Args:
            model_type (str): 大语言模型类型，默认使用 gpt-oss:latest
            llm_config (dict): LLM模型的配置参数，如果为None则使用默认配置
        """
        super().__init__(
            model_type=model_type,
            description="基于患者情况和任务需求生成专门的预问诊询问智能体指导",
            instructions=PrompterPrompt.instructions,
            response_model=PrompterResult,
            llm_config=llm_config or {},
            structured_outputs=True,
            markdown=False,
            use_cache=False
        )
    
    def run(self, hpi_content: str, ph_content: str, chief_complaint: str, current_task: str, specific_guidance: str = "") -> PrompterResult:
        """
        执行预问诊询问智能体生成
        
        基于患者的现病史、既往史、主述、当前具体任务以及Controller提供的询问指导建议，
        生成针对该任务的专门询问子智能体的description和instructions。
        
        Args:
            hpi_content (str): 现病史内容，患者的主要症状描述
            ph_content (str): 既往史内容，患者的历史疾病信息
            chief_complaint (str): 患者主述，患者的主要不适描述
            current_task (str): 当前任务，如"起病情况和患病时间"、"主要症状特征"等
            specific_guidance (str): Controller提供的针对当前任务的询问指导建议，用于优化询问子智能体生成
            
        Returns:
            PrompterResult: 包含询问子智能体描述和指令的结构化数据，包括：
                - description: 为特定询问任务定制的子智能体描述
                - instructions: 为特定询问任务定制的子智能体执行指令列表
                
        Raises:
            Exception: 当LLM调用失败时，返回包含默认信息的PrompterResult
        """
        try:
            # 构建生成提示词
            prompt = self._build_prompt(hpi_content, ph_content, chief_complaint, current_task, specific_guidance)
            
            # 调用基类的run方法执行LLM推理
            result = super().run(prompt)
            
            # 确保返回正确的类型并进行类型转换
            return self._ensure_result_type(result)
            
        except Exception as e:
            # 当生成失败时记录错误并返回默认结果
            print(f"预问诊询问子智能体生成失败: {str(e)}")
            return self._get_fallback_result(current_task)
    
    def _ensure_result_type(self, result: Any) -> PrompterResult:
        """
        确保返回结果为正确的类型
        
        Args:
            result (Any): LLM返回的原始结果
            
        Returns:
            PrompterResult: 转换后的结构化结果
        """
        if isinstance(result, PrompterResult):
            return result
        elif isinstance(result, dict):
            return PrompterResult(**result)
        else:
            # 如果类型不匹配，返回默认结果
            return self._get_fallback_result("未知任务")
    
    def _get_fallback_result(self, task_name: str) -> PrompterResult:
        """
        生成失败时的默认结果
        
        Args:
            task_name (str): 任务名称
            
        Returns:
            PrompterResult: 包含默认内容的结果
        """
        return PrompterResult(
            description=f"你是一名专业的预问诊询问医生，负责针对'{task_name}'进行详细的询问信息收集。你需要以专业、耐心的态度与患者交流，通过询问获取准确完整的相关信息。",
            instructions=[
                "## 询问重点",
                f"1. 围绕'{task_name}'主题进行系统性询问",
                "2. 使用通俗易懂的语言与患者交流",
                "3. 确保询问信息的准确性和完整性",
                "",
                "## 注意事项",
                "- 保持专业和耐心的态度",
                "- 避免使用过于复杂的医学术语",
                "- 仅通过询问获取信息，不进行任何检查或检验",
                "- 引导患者提供具体详细的信息"
            ]
        )
    
    def _build_prompt(self, hpi_content: str, ph_content: str, chief_complaint: str, current_task: str, specific_guidance: str = "") -> str:
        """
        构建Prompter的提示词模板
        
        根据患者病史信息、当前任务和Controller的具体指导建议，构建用于生成子智能体的提示词。
        
        Args:
            hpi_content (str): 现病史内容
            ph_content (str): 既往史内容
            chief_complaint (str): 患者主述
            current_task (str): 当前任务
            specific_guidance (str): Controller提供的具体指导建议
            
        Returns:
            str: 构建的提示词
        """
        # 确保既往史内容的合理显示
        past_history_display = ph_content.strip() if ph_content.strip() else "暂无既往史信息"
        
        # 处理具体指导建议
        guidance_section = ""
        if specific_guidance.strip():
            guidance_section = f"""
Controller指导建议: {specific_guidance}
"""
        
        # 从prompt类获取示例输出格式
        from agent_system.prompter.prompt import PrompterPrompt
        example_output = PrompterPrompt.get_example_output()
        
        prompt = f"""患者基本信息：
患者主述: {chief_complaint}
现病史: {hpi_content}
既往史: {past_history_display}

当前任务: {current_task}{guidance_section}

请按照以下步骤生成一个专门的预问诊询问子智能体，该智能体将负责围绕"{current_task}"主题向患者进行专业询问：

## 步骤1: 分析任务特点
- 深入理解"{current_task}"的核心要求和关键询问点
- 结合患者的现病史和主述，识别与该任务相关的重要信息
- 如果有Controller指导建议，重点考虑其中的专业建议和注意事项

## 步骤2: 设计智能体角色
- 为子智能体定义专业的医疗角色和身份
- 明确该智能体在"{current_task}"方面的专业能力和职责范围
- 确保角色设计与患者的具体病情背景相匹配

## 步骤3: 制定询问策略
- 基于任务特点和患者信息，设计系统性的询问流程
- 将复杂的医疗询问分解为患者易于理解和回答的具体问题
- 确保询问内容全面、有序、针对性强

## 步骤4: 完善执行指令
- 详细说明子智能体应如何执行询问任务
- 包含具体的询问技巧、注意事项和质量要求
- 确保指令具有可操作性和实用性

请为该子智能体提供：
1. description - 描述该智能体的角色、专业领域和主要职责
2. instructions - 详细的执行指令列表，包括询问步骤、注意事项等

输出格式示例：
{example_output}

请严格按照上述JSON格式输出。
输出内容为:"""
        
        return prompt