iomgaa/triage
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

新增：添加Prompter智能体模块

Browse Source 
- 实现智能体提示词生成专家功能
- 基于患者病史和具体任务生成定制化子智能体
- 包含专业角色定义和可操作询问指令生成
- 添加完整的测试用例验证功能

🤖 Generated with [Claude Code](https://claude.ai/code)

Co-Authored-By: Claude <noreply@anthropic.com>
This commit is contained in:
iomgaa 2025-08-11 16:06:52 +08:00
parent ce932b229e
commit 2e0f9145c6
5 changed files with 317 additions and 0 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

5
agent_system/prompter/__init__.py Normal file
View File

@ -0,0 +1,5 @@
from .agent import Prompter
from .response_model import PrompterResult
from .prompt import PrompterPrompt
__all__ = ['Prompter', 'PrompterResult', 'PrompterPrompt']

165
agent_system/prompter/agent.py Normal file
View File

@ -0,0 +1,165 @@
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):
"""
智能体提示词生成专家
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医疗询问。
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. 为目标子智能体定义清晰的专业角色
4. 制定具体可操作的询问指令
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="基于医疗场景和任务需求生成专门的子智能体提示内容",
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) -> PrompterResult:
"""
执行智能体提示词生成
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
Returns:
PrompterResult: 包含子智能体描述和指令的结构化数据，包括：
- description: 为特定任务定制的子智能体描述
- instructions: 为特定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)
# 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"子智能体提示词生成失败: {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"你是一名专业的医疗询问助手，负责针对'{task_name}'进行详细的信息收集。你需要以专业、耐心的态度与患者交流，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. 确保信息收集的准确性和完整性",
"",
"## 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",
"- 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) -> str:
"""
构建Prompter的提示词模板
根据患者病史信息和当前任务，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
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"
# 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}
请基于上述患者信息和当前任务，生成一个专门的子智能体，该智能体将负责围绕"{current_task}"主题向患者进行专业询问。
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

80
agent_system/prompter/prompt.py Normal file
View File

@ -0,0 +1,80 @@
from agent_system.base import BasePrompt
class PrompterPrompt(BasePrompt):
"""
Prompter智能体的提示词模板
定义了Prompter智能体的角色、任务目标和执行指令，
用于根据患者病史和当前任务生成专门的子智能体提示内容。
"""
# 智能体角色和目标描述
description = (
"你是一名专业的智能体提示词生成专家，擅长基于医疗场景和具体任务需求，"
"为特定的询问任务创建专门的智能体描述和指令。"
"你的主要任务是根据患者的现病史、既往史、主述以及当前具体任务，"
"生成一个针对该任务的专门子智能体的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医疗询问。"
)
# 执行指令和注意事项
instructions = [
"## 核心生成任务",
"1. **任务理解**: 深入理解当前任务的具体要求和询问重点（如起病情况、患病时间、症状特征等）",
"2. **背景整合**: 结合患者的现病史、既往史和主述，理解患者的整体病情背景",
"3. **角色定位**: 为目标子智能体定义清晰的专业角色和询问职责",
"4. **指令设计**: 制定具体、可操作的询问指令，确保能够有效收集目标信息",
"",
"## 子智能体设计原则",
"- **专业性**: 基于医学专业知识，确保询问的科学性和准确性",
"- **针对性**: 紧密围绕当前任务主题，避免偏离核心询问目标",
"- **个性化**: 结合患者的具体病史背景，提供个性化的询问策略",
"- **系统性**: 确保询问内容全面、有条理，不遗漏重要信息",
"",
"## 输出内容要求",
"1. **description字段**: 清晰描述子智能体的角色、专业领域和主要职责",
"2. **instructions字段**: 详细的执行指令列表，包括询问步骤、注意事项和质量要求",
"3. **医学准确性**: 确保所有医学术语和概念的准确性",
"4. **可操作性**: 指令必须具体明确，便于子智能体执行",
"",
"## 示例输出格式（JSON）",
"{",
" \"description\": \"你是一名专业的起病情况询问医师，专门负责详细了解患者疾病的起病过程和时间特征。基于患者的头痛主述和相关病史，你需要系统性地收集起病相关的关键信息，为后续诊断提供重要依据。\",",
" \"instructions\": [",
" \"## 起病时间询问\",",
" \"1. 询问患者头痛症状的具体开始时间（年月日或具体时间点）\",",
" \"2. 了解从开始到现在的总病程持续时间\",",
" \"3. 确认是否为首次出现此类症状\",",
" \"\",",
" \"## 起病方式询问\",",
" \"1. 详细了解症状是突然出现还是逐渐加重\",",
" \"2. 询问起病时的具体情况和环境背景\",",
" \"3. 了解是否有明确的诱发因素或触发事件\",",
" \"\",",
" \"## 询问注意事项\",",
" \"- 使用通俗易懂的语言，避免过多医学术语\",",
" \"- 耐心引导患者回忆具体细节\",",
" \"- 确保信息的准确性和完整性\"",
" ]",
"}"
]
@staticmethod
def get_example_output() -> str:
"""
获取示例输出格式，用于指导 LLM 生成符合要求的结构化输出
Returns:
str: JSON 格式的示例输出
"""
return """{
"description": "为特定任务定制的子智能体描述，说明角色、任务和目标",
"instructions": [
"## 询问重点",
"具体的询问步骤和要点",
"",
"## 注意事项",
"执行过程中的注意事项和要求"
]
}"""

18
agent_system/prompter/response_model.py Normal file
View File

@ -0,0 +1,18 @@
from typing import List
from pydantic import Field
from agent_system.base import BaseResponseModel
class PrompterResult(BaseResponseModel):
"""
Prompter智能体分析结果模型
用于输出为特定任务定制的子智能体的描述和指令内容
"""
description: str = Field(
...,
description="为特定任务定制的子智能体描述，说明该智能体的角色、任务和目标"
)
instructions: List[str] = Field(
default_factory=list,
description="为特定任务定制的子智能体执行指令列表，包含具体的执行步骤和注意事项"
)

49
test_prompter.py Normal file
View File

@ -0,0 +1,49 @@
#!/usr/bin/env python3
"""
测试Prompter智能体功能
"""
from agent_system.prompter import Prompter
def test_prompter():
"""测试Prompter智能体的基本功能"""
# 创建Prompter实例
prompter = Prompter()
# 测试数据
hpi_content = "患者反复头痛3个月，以前额和颞部为主，呈搏动性疼痛，每周发作2-3次，每次持续4-6小时"
ph_content = "既往体健，无高血压、糖尿病等慢性疾病史，无头部外伤史"
chief_complaint = "反复头痛3个月"
current_task = "起病情况和患病时间"
print("=== 测试Prompter智能体 ===")
print(f"患者主述: {chief_complaint}")
print(f"现病史: {hpi_content}")
print(f"既往史: {ph_content}")
print(f"当前任务: {current_task}")
print()
try:
# 执行Prompter分析
result = prompter.run(
hpi_content=hpi_content,
ph_content=ph_content,
chief_complaint=chief_complaint,
current_task=current_task
)
print("=== Prompter分析结果 ===")
print(f"子智能体描述:")
print(f"{result.description}")
print()
print(f"子智能体指令:")
for i, instruction in enumerate(result.instructions, 1):
print(f"{i}. {instruction}")
print()
except Exception as e:
print(f"测试失败: {e}")
if __name__ == "__main__":
test_prompter()