iomgaa
89c82d2031
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>
105 lines
3.9 KiB
Python
105 lines
3.9 KiB
Python
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 |