新增：添加Inquirer询问者智能体模块

主要特性：
- 基于Prompter动态生成的描述和指令构建智能体
- 在初始化时接收description和instructions参数
- 将Prompter生成的指令与固定的输入输出格式要求拼接
- 简洁的run方法，与其他agent保持一致的调用方式
- 支持根据患者现病史和既往史生成针对性问诊问题

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

Co-Authored-By: Claude <noreply@anthropic.com>

agent_system/inquirer/__init__.py

@@ -0,0 +1,21 @@
+"""
+Inquirer智能体模块
+
+该模块实现询问者智能体，用于基于患者的现病史和既往史生成医生需要询问的具体问题。
+智能体的特殊之处在于其描述和指令主体内容由Prompter智能体动态生成。
+
+主要组件:
+- InquirerResponseModel: 询问者智能体的响应数据模型
+- InquirerPrompt: 询问者智能体的动态提示词模板
+- Inquirer: 询问者智能体的主要实现类
+"""
+
+from .response_model import InquirerResponseModel
+from .prompt import InquirerPrompt  
+from .agent import Inquirer
+
+__all__ = [
+    'InquirerResponseModel',
+    'InquirerPrompt',
+    'Inquirer'
+]

agent_system/inquirer/agent.py

@@ -0,0 +1,105 @@
+from agent_system.base import BaseAgent
+from agent_system.inquirer.prompt import InquirerPrompt
+from agent_system.inquirer.response_model import InquirerResponseModel
+
+
+class Inquirer(BaseAgent):
+    """
+    询问者智能体
+    
+    基于患者的现病史和既往史，生成医生需要询问的具体问题。
+    该智能体的特殊之处在于其描述和指令主体内容由Prompter智能体动态生成，
+    然后结合固定的输入输出格式构成完整的提示词。
+    
+    核心功能:
+    1. 接收患者的现病史和既往史信息
+    2. 基于Prompter生成的询问策略产生具体的问诊问题
+    3. 输出符合医患交流习惯的问题内容
+    
+    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, description: str, instructions: list, model_type: str = "gpt-oss:latest", llm_config: dict = None):
+        """
+        初始化Inquirer智能体
+        
+        Args:
+            description (str): 由Prompter生成的智能体描述
+            instructions (list): 由Prompter生成的指令列表
+            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
+        """
+        # 将Prompter生成的指令与固定格式指令拼接
+        complete_instructions = instructions.copy()
+        complete_instructions.extend(InquirerPrompt.get_fixed_format_instructions())
+        
+        super().__init__(
+            model_type=model_type,
+            description=description,
+            instructions=complete_instructions,
+            response_model=InquirerResponseModel,
+            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) -> InquirerResponseModel:
+        """
+        执行询问者智能体的问题生成
+        
+        基于患者病史信息生成具体的问诊问题。
+        
+        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
+            
+        Returns:
+            InquirerResponseModel: 包含生成的问诊问题的结构化数据：
+                - current_chat: 生成的具体问诊问题内容
+        """
+        # 构建询问提示词
+        prompt = self._build_prompt(hpi_content, ph_content, chief_complaint)
+        
+        # 调用基类的run方法执行LLM推理
+        result = super().run(prompt)
+        
+        return result
+    
+    def _build_prompt(self, hpi_content: str, ph_content: str, chief_complaint: str) -> str:
+        """
+        构建Inquirer的提示词模板
+        
+        将患者的病史信息构建完整的提示词。
+        
+        Args:
+            hpi_content (str): 现病史内容
+            ph_content (str): 既往史内容
+            chief_complaint (str): 患者主述
+            
+        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"
+        
+        # 获取示例输出格式
+        example_output = InquirerPrompt.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}
+
+基于以上患者信息，请生成一个针对性的问诊问题，帮助医生获取更多诊断相关信息。
+
+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

agent_system/inquirer/prompt.py

@@ -0,0 +1,53 @@
+from agent_system.base import BasePrompt
+
+
+class InquirerPrompt(BasePrompt):
+    """
+    询问者智能体的提示词模板
+    
+    该提示词模板的description和instructions主体内容由Prompter智能体动态生成，
+    只在末尾添加固定的输入信息和输出格式要求。
+    """
+    
+    # 基础描述，将被prompter结果动态替换
+    description = ""
+    
+    # 基础指令，将被prompter结果动态替换
+    instructions = []
+    
+    @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 """{
+  "current_chat": "根据您描述的头痛情况，我想进一步了解一些细节。请问您的头痛是什么时候开始的？是突然出现还是逐渐加重的？另外，头痛主要集中在头部的哪个位置？"
+}"""
+    
+    @staticmethod
+    def get_fixed_format_instructions() -> list:
+        """
+        获取固定的输入输出格式指令
+        
+        Returns:
+            list: 固定的格式指令列表
+        """
+        return [
+            "",
+            "## 患者信息输入格式",
+            "- 现病史: 患者当前疾病的详细描述",
+            "- 既往史: 患者过往的疾病史和治疗史",
+            "",
+            "## 输出要求",
+            "生成的问诊问题应该:",
+            "1. 针对患者的具体病情背景",
+            "2. 使用通俗易懂的语言表达",
+            "3. 有助于获取更多诊断相关信息",
+            "4. 符合医患交流的实际情况",
+            "",
+            "## 示例输出格式（JSON）",
+            InquirerPrompt.get_example_output()
+        ]

agent_system/inquirer/response_model.py

@@ -0,0 +1,22 @@
+from pydantic import Field
+from agent_system.base.response_model import BaseResponseModel
+
+
+class InquirerResponseModel(BaseResponseModel):
+    """
+    询问者智能体响应模型
+    
+    该模型用于封装询问者智能体生成的问诊问题，
+    基于患者的现病史和既往史生成医生需要询问的具体问题。
+    
+    Attributes:
+        current_chat (str): 当前生成的问诊问题内容
+    """
+    current_chat: str = Field(
+        ...,
+        description=(
+            "基于患者现病史和既往史生成的医生问诊问题。"
+            "问题应该针对性强、专业准确，有助于获取更多诊断相关信息。"
+            "语言通俗易懂，符合医患交流的实际情况。"
+        )
+    )

test_prompter.py

@@ -1,49 +0,0 @@
-#!/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()