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>
This commit is contained in:
parent
e85fe617ce
commit
a9144062bf
2
.gitignore
vendored
2
.gitignore
vendored
@ -42,3 +42,5 @@ logs/
|
||||
.coverage
|
||||
htmlcov/
|
||||
.tox/
|
||||
|
||||
dataset/
|
||||
|
||||
1
agent_system/controller/__init__.py
Normal file
1
agent_system/controller/__init__.py
Normal file
@ -0,0 +1 @@
|
||||
# Controller Agent Module
|
||||
230
agent_system/controller/agent.py
Normal file
230
agent_system/controller/agent.py
Normal file
@ -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
|
||||
}
|
||||
68
agent_system/controller/prompt.py
Normal file
68
agent_system/controller/prompt.py
Normal file
@ -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)
|
||||
39
agent_system/controller/response_model.py
Normal file
39
agent_system/controller/response_model.py
Normal file
@ -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"
|
||||
)
|
||||
@ -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
|
||||
|
||||
@ -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，"
|
||||
"生成一个针对该任务的专门子智能体的description和instructions，"
|
||||
"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，"
|
||||
"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",
|
||||
"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",
|
||||
"## 系统化生成流程",
|
||||
"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：",
|
||||
"",
|
||||
"### 步骤1: 分析任务特点",
|
||||
"- 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",
|
||||
|
||||
Loading…
x
Reference in New Issue
Block a user