新增：添加Controller智能体模块并优化Prompter智能体

- 新增Controller智能体模块，负责任务选择和指导建议生成
  - 实现任务信息模型和决策响应模型
  - 支持基于患者病史的智能任务选择
  - 提供针对选定任务的专业指导建议

- 优化Prompter智能体，支持Controller指导建议整合
  - 更新run函数支持specific_guidance参数
  - 添加系统化的4步子智能体生成流程
  - 增强prompt指令，提升生成质量和专业性
  - 保持向后兼容性

- 完善测试验证，确保功能正常运行

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

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

.gitignore

@@ -42,3 +42,5 @@ logs/
 .coverage
 htmlcov/
 .tox/
+
+dataset/

agent_system/controller/__init__.py

@@ -0,0 +1 @@
+# Controller Agent Module

agent_system/controller/agent.py

@@ -0,0 +1,230 @@
+from typing import Dict, Any, List
+from agent_system.base import BaseAgent
+from agent_system.controller.prompt import ControllerPrompt
+from agent_system.controller.response_model import ControllerDecision, TaskInfo
+
+
+class TaskController(BaseAgent):
+    """
+    任务控制器智能体
+    
+    负责根据患者的临床信息（现病史、既往史、主诉）从未完成的任务列表中
+    选择最合适的下一步任务，并提供具体的执行指导建议。
+    
+    核心功能:
+    1. 分析患者的临床信息和病情特征
+    2. 评估待执行任务的优先级和重要性
+    3. 选择最适合当前情况的任务
+    4. 提供针对性的任务执行指导
+    
+    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):
+        """
+        初始化任务控制器智能体
+        
+        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="医疗任务控制器，负责任务选择和执行指导",
+            instructions=ControllerPrompt.instructions,
+            response_model=ControllerDecision,
+            llm_config=llm_config or {},
+            structured_outputs=True,
+            markdown=False,
+            use_cache=False
+        )
+    
+    def run(self, 
+            pending_tasks: List[Dict[str, str]], 
+            chief_complaint: str, 
+            hpi_content: str = "", 
+            ph_content: str = "") -> ControllerDecision:
+        """
+        执行任务控制决策
+        
+        基于患者的临床信息和待执行的任务列表，选择最合适的任务
+        并提供具体的执行指导建议。
+        
+        Args:
+            pending_tasks (List[Dict[str, str]]): 待执行的任务列表，每个任务包含name、priority、description字段
+            chief_complaint (str): 患者主诉
+            hpi_content (str, optional): 现病史内容，默认为空字符串
+            ph_content (str, optional): 既往史内容，默认为空字符串
+            
+        Returns:
+            ControllerDecision: 包含任务选择决策和指导建议的结构化数据，包括：
+                - selected_task: 选择的任务信息
+                - specific_guidance: 针对选定任务的具体指导建议
+                
+        Raises:
+            Exception: 当LLM调用失败时，返回包含默认信息的ControllerDecision
+        """
+        try:
+            # 构建决策提示词
+            prompt = self._build_decision_prompt(
+                pending_tasks, chief_complaint, hpi_content, ph_content
+            )
+            
+            # 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:
+            # 当决策失败时记录错误并返回默认结果
+            print(f"任务控制决策失败: {str(e)}")
+            return self._get_fallback_result(pending_tasks)
+    
+    def _ensure_result_type(self, result: Any) -> ControllerDecision:
+        """
+        确保返回结果为正确的类型
+        
+        Args:
+            result (Any): LLM返回的原始结果
+            
+        Returns:
+            ControllerDecision: 转换后的结构化结果
+        """
+        if isinstance(result, ControllerDecision):
+            return result
+        elif isinstance(result, dict):
+            return ControllerDecision(**result)
+        else:
+            # 如果类型不匹配，返回默认结果
+            return self._get_fallback_result([])
+    
+    def _get_fallback_result(self, pending_tasks: List[Dict[str, str]]) -> ControllerDecision:
+        """
+        生成决策失败时的默认结果
+        
+        Args:
+            pending_tasks (List[Dict[str, str]]): 待执行的任务列表
+            
+        Returns:
+            ControllerDecision: 包含默认任务选择的结果
+        """
+        # 如果有待执行任务，选择第一个作为默认任务
+        if pending_tasks:
+            default_task = pending_tasks[0]
+            selected_task_info = TaskInfo(
+                task_name=default_task.get("name", "未知任务"),
+                priority=default_task.get("priority", "中"),
+                description=default_task.get("description", "任务描述不可用")
+            )
+        else:
+            selected_task_info = TaskInfo(
+                task_name="基本信息收集",
+                priority="中",
+                description="收集患者的基本临床信息"
+            )
+        
+        return ControllerDecision(
+            selected_task=selected_task_info,
+            specific_guidance="由于系统异常，建议按照标准临床流程进行患者评估，重点关注患者的主要症状和病史信息，并人工审核患者情况。"
+        )
+    
+    def _build_decision_prompt(self, 
+                              pending_tasks: List[Dict[str, str]], 
+                              chief_complaint: str, 
+                              hpi_content: str, 
+                              ph_content: str) -> str:
+        """
+        构建任务控制决策的提示词模板
+        
+        根据待执行任务列表和患者临床信息，构建简洁高效的决策提示词，
+        引导LLM进行专业的任务选择和指导建议。
+        
+        Args:
+            pending_tasks (List[Dict[str, str]]): 待执行的任务列表
+            chief_complaint (str): 患者主诉
+            hpi_content (str): 现病史内容
+            ph_content (str): 既往史内容
+            
+        Returns:
+            str: 精简的决策提示词
+        """
+        # 格式化待执行任务列表
+        tasks_display = ""
+        for i, task in enumerate(pending_tasks, 1):
+            task_name = task.get("name", "未知任务")
+            task_priority = task.get("priority", "未设定")
+            task_desc = task.get("description", "无描述")
+            tasks_display += f"{i}. 任务名称: {task_name}\n   优先级: {task_priority}\n   描述: {task_desc}\n\n"
+        
+        if not tasks_display.strip():
+            tasks_display = "当前没有待执行的任务。"
+        
+        # 确保临床信息的合理显示
+        hpi_display = hpi_content.strip() if hpi_content.strip() else "暂无现病史信息"
+        ph_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
+        example_output = ControllerPrompt.get_example_output()
+        
+        prompt = f"""患者临床信息：
+主诉: {chief_complaint}
+现病史: {hpi_display}
+既往史: {ph_display}
+
+待执行任务列表：
+{tasks_display}
+
+请根据患者的临床信息分析病情特征，从上述任务列表中选择最合适的下一步任务，并提供具体的执行指导建议。
+
+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
+    
+    def select_optimal_task(self, 
+                           tasks: List[Dict[str, str]], 
+                           patient_info: Dict[str, str]) -> ControllerDecision:
+        """
+        基于患者信息选择最优任务的便捷接口
+        
+        这是一个专门用于任务选择的简化接口，接受结构化的患者信息。
+        
+        Args:
+            tasks (List[Dict[str, str]]): 待执行的任务列表
+            patient_info (Dict[str, str]): 患者信息字典，包含chief_complaint、hpi、ph等字段
+            
+        Returns:
+            ControllerDecision: 任务选择决策结果
+        """
+        chief_complaint = patient_info.get("chief_complaint", "")
+        hpi_content = patient_info.get("hpi", "")
+        ph_content = patient_info.get("ph", "")
+        
+        return self.run(
+            pending_tasks=tasks,
+            chief_complaint=chief_complaint,
+            hpi_content=hpi_content,
+            ph_content=ph_content
+        )
+    
+    def get_task_guidance(self, result: ControllerDecision) -> Dict[str, Any]:
+        """
+        获取任务执行指导的结构化信息
+        
+        Args:
+            result (ControllerDecision): 控制器决策结果
+            
+        Returns:
+            Dict[str, Any]: 包含任务指导信息的字典
+        """
+        return {
+            "task_name": result.selected_task.task_name,
+            "priority": result.selected_task.priority,
+            "guidance": result.specific_guidance
+        }

agent_system/controller/prompt.py

@@ -0,0 +1,68 @@
+from typing import Dict, Any
+import json
+
+
+class ControllerPrompt:
+    """
+    Controller智能体的提示词类
+    """
+    
+    description = """
+    你是一个医疗任务控制器智能体，专门负责根据患者的临床信息来选择和指导医疗任务的执行。
+    
+    你的主要角色是：
+    1. 任务协调者：从待执行的任务列表中选择最合适的下一步任务
+    2. 临床决策支持：基于患者的现病史、既往史和主诉提供专业的医疗指导
+    3. 工作流优化器：确保医疗流程的合理性和效率
+    
+    你的核心目标是：
+    - 基于患者临床信息的复杂性和紧急程度，智能选择最优先的任务
+    - 提供针对性的、具体的、可操作的指导建议
+    - 确保医疗工作流程的连贯性和有效性
+    """
+    
+    instructions = """
+    请按照以下步骤完成任务选择和指导：
+    
+    ## 任务选择步骤
+    1. 分析患者的主诉、现病史和既往史，识别关键临床特征
+    2. 评估待执行任务列表，根据临床信息确定任务优先级
+    3. 选择最符合当前临床需求的任务
+    4. 提供针对患者具体情况的任务执行指导建议
+    
+    ## 输出格式要求
+    请严格按照以下JSON格式输出：
+    
+    {
+        "selected_task": {
+            "task_name": "选择的任务名称",
+            "priority": "任务优先级（紧急/高/中/低）",
+            "description": "任务描述"
+        },
+        "specific_guidance": "基于患者的现病史、既往史和主诉，针对选定任务提供详细的执行指导建议，包括重点关注的方面、询问的问题、检查的要点等"
+    }
+    
+    ## 注意事项
+    - 基于循证医学原则进行分析
+    - 优先考虑患者安全和诊疗效果
+    - 提供具体可操作的指导建议
+    """
+    
+    @staticmethod
+    def get_example_output() -> str:
+        """
+        获取Controller智能体的示例输出格式
+        
+        Returns:
+            str: JSON格式的示例输出
+        """
+        example_output = {
+            "selected_task": {
+                "task_name": "详细现病史收集",
+                "priority": "高",
+                "description": "深入收集患者现病史的详细信息，包括症状特征、发展过程、伴随症状等"
+            },
+            "specific_guidance": "基于患者胸痛3天伴气短的主诉和高血压既往史，在收集现病史时应重点询问：1）胸痛的确切位置、性质（压榨性、刺痛、撕裂样等）和放射部位；2）疼痛的严重程度（0-10分评分）和持续时间；3）诱发因素（活动、休息、情绪变化等）和缓解因素；4）伴随症状如气短、出汗、恶心、头晕等；5）发作规律和频率变化；6）既往类似发作史。特别关注与患者高血压病史相关的心血管风险因素，需要快速排除急性冠脉综合征、主动脉夹层等急危重症。"
+        }
+        
+        return json.dumps(example_output, ensure_ascii=False, indent=2)

agent_system/controller/response_model.py

@@ -0,0 +1,39 @@
+from pydantic import Field
+from agent_system.base import BaseResponseModel
+
+
+class TaskInfo(BaseResponseModel):
+    """
+    任务信息模型
+    """
+    task_name: str = Field(
+        ...,
+        description="任务名称"
+    )
+    priority: str = Field(
+        ...,
+        description="任务优先级（紧急、高、中、低）"
+    )
+    description: str = Field(
+        ...,
+        description="任务描述"
+    )
+
+
+class ControllerDecision(BaseResponseModel):
+    """
+    Controller智能体决策结果模型
+    
+    基于未完成的任务列表、现病史、既往史与主诉，
+    输出选择的任务以及具体的指导建议。
+    """
+    
+    selected_task: TaskInfo = Field(
+        ...,
+        description="选择执行的任务信息"
+    )
+    
+    specific_guidance: str = Field(
+        ...,
+        description="基于现病史、既往史与主诉，针对选定任务的具体指导建议"
+    )

agent_system/prompter/agent.py

@@ -42,11 +42,11 @@ class Prompter(BaseAgent):
             use_cache=False
         )
     
-    def run(self, hpi_content: str, ph_content: str, chief_complaint: str, current_task: str) -> PrompterResult:
+    def run(self, hpi_content: str, ph_content: str, chief_complaint: str, current_task: str, specific_guidance: 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，
+        基于患者的现病史、既往史、主述、当前具体任务以及Controller提供的具体指导建议，
         生成针对该任务的专门子智能体的description和instructions。
         
         Args:
@@ -54,6 +54,7 @@ class Prompter(BaseAgent):
             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具体指导建议，用于优化子智能体生成
             
         Returns:
             PrompterResult: 包含子智能体描述和指令的结构化数据，包括：
@@ -65,7 +66,7 @@ class Prompter(BaseAgent):
         """
         try:
             # 构建生成提示词
-            prompt = self._build_prompt(hpi_content, ph_content, chief_complaint, current_task)
+            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)
@@ -121,17 +122,18 @@ class Prompter(BaseAgent):
             ]
         )
     
-    def _build_prompt(self, hpi_content: str, ph_content: str, chief_complaint: str, current_task: str) -> str:
+    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
         
-        根据患者病史信息和当前任务，构建用于生成子智能体的提示词。
+        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
@@ -139,6 +141,13 @@ class Prompter(BaseAgent):
         # 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()
@@ -148,9 +157,29 @@ class Prompter(BaseAgent):
 现病史: {hpi_content}
 既往史: {past_history_display}
 
-当前任务: {current_task}
+当前任务: {current_task}{guidance_section}
 
-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。
+请按照以下步骤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：
+
+## 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

agent_system/prompter/prompt.py

@@ -13,24 +13,43 @@ class PrompterPrompt(BasePrompt):
     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，"
+        "你的主要任务是根据患者的现病史、既往史、主述、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，"
+        "以及Controller智能体提供的专业指导建议，"
+        "按照系统化的生成流程，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",
+        "## 系统化生成流程",
-        "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）",
+        "请按照以下4个步骤进行子智能体的生成，确保生成质量和针对性：",
-        "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",
+        "### 步骤1: 分析任务特点",
-        "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",
+        "- 深入理解当前任务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",
+        "- 重点考虑Controller指导建议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",
+        "- 明确该智能体在特定任务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",
         "",
         "## 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",
+        "- **指导整合**: 充分利用Controller提供的专业指导建议，优化询问效果",
         "",
         "## 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",