lidf/doctorAI
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

feat: implementation of markdown-first persistence architecture

Browse Source
This commit is contained in:
lidf 2026-04-12 20:45:15 +08:00
parent 24fe3c0f7a
commit 9857498632
9 changed files with 618 additions and 135 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

48
.agent/skills/deployment-philosophy-guard/SKILL.md Normal file
View File

@ -0,0 +1,48 @@
# Deployment Philosophy Guard: Immutable Configuration Pattern
## 原则目标 (Objective)
在编写 `deploy.sh` 部署脚本或操作服务器环境配置时，彻底避免 `tar` 打包的上下文导致的配置文件覆盖事故。彻底物理阻断**“代码包发布”**与**“生产环境参数”**之间的偶发性交叉。
---
## 核心漏洞分析 (The "Tar Path Trap")
在历史上发生的灾难级线上配置丢失案中，部署脚本中常见以下形式的打包语句：
```bash
# ❌ 错误示范：致命的 tar 路径陷阱
tar czf backend.tar.gz --exclude='backend/.env' -C backend .
```
**原因解析：**
由于使用了 `-C backend .` 指令，`tar` 的作用域已经全盘切换至 `backend` 目录下。此时 `.env` 文件的相对路径变成了 `./.env`，而 `--exclude='backend/.env'` 变得形同虚设！
结果是：开发者本地带有大量 `dev_user_001` 等测试占位符的 `.env` 会被强制打包进 `.tar.gz` 中，在远端 `tar xzf` 解压时，产生毁灭性的生产环境覆盖。
---
## 运维铁律 (Systemd & Environment Boundary)
**禁止仅仅依靠 `--exclude` 来维护安全，必须从物理架构上进行环境解耦。**
1. **环境变量物理隔离（Systemd 级别）**：
- 所有的环境变量配置文件 `.env` 必须在**代码解压目录的上层目录**或其他专门用于运行时的配置目录。
- ❌ `EnvironmentFile=/opt/apps/my-agent/backend/.env` (危险)
- ✅ `EnvironmentFile=/opt/apps/my-agent/.env` (安全)
2. **静默失效原则**：
- 当 `EnvironmentFile` 被定位到代码目录之外，意味着无论部署脚本在后续执行 `tar xz` 时是否不小心夹带了开发版 `.env` 放进 `my-agent/backend/` 中，`systemd` 都将对那堆错误文件置若罔闻。这使得错误打包本身自动降维成为无影响的“垃圾文件”。
---
## 反面模式 (Anti-Patterns)
| ❌ 禁止模式 (Anti-pattern) | ✅ 推荐模式 (Best Practice) | 理由 |
|---|---|---|
| 修改 Systemd 指向代码解压目录下的 `.env` | Systemd 指向工程根目录或 `/etc/` 等专用配置目录的 `.env` | 防止发版引起生产配置丢失 |
| 服务器脚本中用 `sed -i` 试图修补上传的 `.env` | 部署脚本在判断父目录 `.env` 不存在时才提供空模板，有则不碰 | 防止覆盖，保证配置只进行增量挂载 |
| 在自动化部署脚本中试图把 `keys` 写死 | SSH 下发命令在控制台提醒：`"请手动编辑上一层目录的 .env"` | `BYOK` 原则与安全交接 |
---
## 出发前自检 (Checklist)
当你修改或新建类似 `deploy_*.sh` 或编写 `.service` 注册脚本时，请进行下述三项灵魂拷问：
- [ ] 当前的 `tar --exclude` 是否和 `-C` 标签出现了上下文冲突？
- [ ] 脚本或服务中指向的 `.env` 路径属于**不被代码包直接覆盖的独立目录**吗？
- [ ] 服务器初始化脚本如果写入 `cat > .../.env`，外面有包一层 `if [ ! -f ... ]` 存在即跳过的防覆盖保护吗？

220
backend/gateway/platforms/deepview_sse.py
View File

@ -661,7 +661,7 @@ class DeepviewSSEServer:
return web.json_response({"error": "Missing contextId"}, status=400, headers=_CORS_HEADERS) return web.json_response({"error": "Missing contextId"}, status=400, headers=_CORS_HEADERS)
userObj = await self._extractUser(request) userObj = await self._extractUser(request)
userId = userObj.get("sub", "unknown") if userObj else "unknown" userId = userObj["userId"] if userObj else "unknown"
userDir = self._getUserStorageDir(userId) userDir = self._getUserStorageDir(userId)
# 解析 orgId # 解析 orgId
@ -698,12 +698,16 @@ class DeepviewSSEServer:
asrId = parts[-1] asrId = parts[-1]
asrPath = f"{userDir}/clients/{clientId}/history/{asrId}.md" asrPath = f"{userDir}/clients/{clientId}/history/{asrId}.md"
clientProfilePath = f"{userDir}/clients/{clientId}/profile.md" clientProfilePath = f"{userDir}/clients/{clientId}/profile.md"
reportDraftPath = f"{userDir}/clients/{clientId}/history/{asrId}/report_draft.md"
else: else:
# 新格式（Inbox）：recording:asrId # 新格式（Inbox）：recording:asrId
asrId = parts[0] asrId = parts[0]
asrPath = f"{userDir}/inbox/{asrId}/asr.md" asrPath = f"{userDir}/inbox/{asrId}/asr.md"
clientProfilePath = None clientProfilePath = None
reportDraftPath = f"{userDir}/inbox/{asrId}/report_draft.md"
systemPrompt += f"\n## 🎙️ 第1模式：单条面诊录音复盘\n你的唯一任务是提取基于这通录音的战术复盘。\n录音路径：{asrPath}\n医生档案参考：{userDir}/doctor_profile.md" systemPrompt += f"\n## 🎙️ 第1模式：单条面诊录音复盘\n你的唯一任务是提取基于这通录音的战术复盘。\n录音路径：{asrPath}\n医生档案参考：{userDir}/doctor_profile.md"
systemPrompt += f"\n\n📄 【输出要求】将完整的分析报告写入以下路径：{reportDraftPath}"
systemPrompt += f"\n文件第一行必须为来源标注：<!-- provenance: ai-single | level: L1 | sources: [{os.path.basename(os.path.dirname(asrPath))}/asr.md] -->"
if clientProfilePath and os.path.exists(clientProfilePath): if clientProfilePath and os.path.exists(clientProfilePath):
systemPrompt += f"\n客户档案参考：{clientProfilePath}" systemPrompt += f"\n客户档案参考：{clientProfilePath}"
systemPrompt += f"\n\n🚨 【系统硬约束：Speaker 天然推断指令】" systemPrompt += f"\n\n🚨 【系统硬约束：Speaker 天然推断指令】"
@ -711,6 +715,7 @@ class DeepviewSSEServer:
systemPrompt += f"\n在输出所有报告正文时，请直接使用真实姓名，彻底抹除 Speaker_X 痕迹。" systemPrompt += f"\n在输出所有报告正文时，请直接使用真实姓名，彻底抹除 Speaker_X 痕迹。"
else: else:
clientId = contextId.split(":", 1)[1] if ":" in contextId else contextId clientId = contextId.split(":", 1)[1] if ":" in contextId else contextId
reportDraftPath = None # 全景档案模式由 _generateClientProfile 处理
systemPrompt += f"\n## 👤 第2模式：客户全景档案战略\n你的唯一任务是生成该客户的全景战略洞察报告。\n档案路径：{userDir}/clients/{clientId}/profile.md\n历史录音目录：{userDir}/clients/{clientId}/history/\n医生风格：{userDir}/doctor_profile.md" systemPrompt += f"\n## 👤 第2模式：客户全景档案战略\n你的唯一任务是生成该客户的全景战略洞察报告。\n档案路径：{userDir}/clients/{clientId}/profile.md\n历史录音目录：{userDir}/clients/{clientId}/history/\n医生风格：{userDir}/doctor_profile.md"
# ── Stage 1 内容引擎: Hermes AIAgent (md2md) ── # ── Stage 1 内容引擎: Hermes AIAgent (md2md) ──
# 只负责生成富文本分析报告，不管格式 # 只负责生成富文本分析报告，不管格式
@ -742,16 +747,33 @@ class DeepviewSSEServer:
user_id=userId, user_id=userId,
) )
userMsg = f"请根据给定的上下文文件，生成完整的面诊沟通X光片分析报告。按照章节 checklist 确保不遗漏任何模块。"
if reportDraftPath:
userMsg += f" 将报告写入 {reportDraftPath}"
result = await loop.run_in_executor( result = await loop.run_in_executor(
None, None,
lambda: agent.run_conversation( lambda: agent.run_conversation(
user_message="请根据给定的上下文文件，生成完整的面诊沟通X光片分析报告。按照章节 checklist 确保不遗漏任何模块。", user_message=userMsg,
system_message=systemPrompt, system_message=systemPrompt,
), ),
) )
# md-first: 优先从 Agent 写入的物理文件读取，兜底 final_response
if reportDraftPath and os.path.exists(reportDraftPath):
with open(reportDraftPath, "r", encoding="utf-8") as f:
mdReport = f.read().strip()
logger.info(f"[DeepviewSSE] Stage 1 done (from report_draft.md), length={len(mdReport)} chars")
else:
mdReport = result.get("final_response", "").strip() mdReport = result.get("final_response", "").strip()
logger.info(f"[DeepviewSSE] Stage 1 (Hermes md2md) done, length={len(mdReport)} chars") logger.info(f"[DeepviewSSE] Stage 1 done (from final_response), length={len(mdReport)} chars")
# 兜底：如果 Agent 返回了内容但未写文件，帮它落盘（审计留痕）
if reportDraftPath and mdReport and len(mdReport) > 100:
os.makedirs(os.path.dirname(reportDraftPath), exist_ok=True)
with open(reportDraftPath, "w", encoding="utf-8") as f:
f.write(f"<!-- provenance: ai-single | level: L1 | sources: [{contextId}] -->\n")
f.write(mdReport)
logger.info(f"[DeepviewSSE] Fallback: wrote report_draft.md from final_response")
if not mdReport or len(mdReport) < 100: if not mdReport or len(mdReport) < 100:
return web.json_response({"error": "Stage 1 报告内容为空"}, status=500, headers=_CORS_HEADERS) return web.json_response({"error": "Stage 1 报告内容为空"}, status=500, headers=_CORS_HEADERS)
@ -1582,7 +1604,7 @@ xray.module5: track1(数组,每项含node/action/strategy/purpose), track2(数
import time import time
clientId = f"p_{str(uuid.uuid4())[:8]}" clientId = f"p_{str(uuid.uuid4())[:8]}"
userDir = self._getUserStorageDir(user.get("sub", "unknown")) userDir = self._getUserStorageDir(user["userId"])
clientDir = os.path.join(userDir, "clients", clientId) clientDir = os.path.join(userDir, "clients", clientId)
os.makedirs(clientDir, exist_ok=True) os.makedirs(clientDir, exist_ok=True)
@ -1622,7 +1644,7 @@ xray.module5: track1(数组,每项含node/action/strategy/purpose), track2(数
if not clientId: if not clientId:
return web.json_response({"error": "Missing client ID"}, status=400, headers=_CORS_HEADERS) return web.json_response({"error": "Missing client ID"}, status=400, headers=_CORS_HEADERS)
userDir = self._getUserStorageDir(user.get("sub", "unknown")) userDir = self._getUserStorageDir(user["userId"])
profilePath = os.path.join(userDir, "clients", clientId, "profile.md") profilePath = os.path.join(userDir, "clients", clientId, "profile.md")
content = "" content = ""
@ -1661,17 +1683,35 @@ xray.module5: track1(数组,每项含node/action/strategy/purpose), track2(数
return web.json_response({"error": "Missing reportId or clientId"}, status=400, headers=_CORS_HEADERS) return web.json_response({"error": "Missing reportId or clientId"}, status=400, headers=_CORS_HEADERS)
userId = user["userId"] userId = user["userId"]
userDir = self._getUserStorageDir(user.get("sub", "unknown")) userDir = self._getUserStorageDir(user["userId"])
# 1. 物理文件迁移：users/{userId}/inbox/{reportId}/ → users/{userId}/clients/{clientId}/history/{reportId}/ # 1. 从 DB 中查询真实的 context_id 从而获取 ASR ID，执行物理文件迁移
import shutil import shutil
inboxDir = os.path.join(userDir, "inbox", reportId) from hermes_state import SessionDB
db = SessionDB()
with db._lock:
ctx_row = db._conn.execute(
"SELECT context_id FROM deepview_reports_v2 WHERE report_id=? AND user_id=?",
(reportId, userId)
).fetchone()
originalCtx = ctx_row[0] if ctx_row else ""
inboxDir = None
if originalCtx.startswith("recording:"):
ctxPayload = originalCtx.split(":", 1)[1]
if "/" not in ctxPayload:
asrId = ctxPayload
inboxDir = os.path.join(userDir, "inbox", asrId)
targetDir = os.path.join(userDir, "clients", clientId, "history", reportId) targetDir = os.path.join(userDir, "clients", clientId, "history", reportId)
if os.path.exists(inboxDir): if inboxDir and os.path.exists(inboxDir):
os.makedirs(os.path.dirname(targetDir), exist_ok=True) os.makedirs(os.path.dirname(targetDir), exist_ok=True)
shutil.move(inboxDir, targetDir) shutil.move(inboxDir, targetDir)
logger.info(f"[DeepviewSSE] Archived {inboxDir} → {targetDir}") logger.info(f"[DeepviewSSE] Archived {inboxDir} → {targetDir}")
else:
logger.warning(f"[DeepviewSSE] Inbox dir not found or already migrated for {reportId}, skip file migration")
# 2. DB 更新：标记 client_id + 更新 context_id # 2. DB 更新：标记 client_id + 更新 context_id
try: try:
@ -1714,7 +1754,7 @@ xray.module5: track1(数组,每项含node/action/strategy/purpose), track2(数
# 异步触发客户全景报告生成/刷新 # 异步触发客户全景报告生成/刷新
try: try:
userObj = await self._extractUser(request) userObj = await self._extractUser(request)
userSub = userObj.get("sub", "unknown") if userObj else "unknown" userSub = userObj["userId"] if userObj else "unknown"
userStorageDir = self._getUserStorageDir(userSub) userStorageDir = self._getUserStorageDir(userSub)
asyncio.create_task(self._generateClientProfile(userId, clientId, userStorageDir, userSub)) asyncio.create_task(self._generateClientProfile(userId, clientId, userStorageDir, userSub))
logger.info(f"[DeepviewSSE] Async client profile generation triggered for {clientId}") logger.info(f"[DeepviewSSE] Async client profile generation triggered for {clientId}")
@ -1769,24 +1809,24 @@ xray.module5: track1(数组,每项含node/action/strategy/purpose), track2(数
systemPrompt = f.read() systemPrompt = f.read()
systemPrompt = systemPrompt.replace("{{STORAGE_DIR}}", storageDir) systemPrompt = systemPrompt.replace("{{STORAGE_DIR}}", storageDir)
systemPrompt = systemPrompt.replace(f"{storageDir}/wiki/", f"{orgDir}/wiki/") systemPrompt = systemPrompt.replace(f"{storageDir}/wiki/", f"{orgDir}/wiki/")
systemPrompt += f"\n\n## 规则遵循\n企业知识库：{orgDir}/wiki/\n平台规则：{platformDir}/wiki/\n" systemPrompt += f"\n\n## 规则遵循\n企业知识库：{orgDir}/wiki/\n平台规则：{platformDir}/wiki/\n\n"
systemPrompt += f"""\n## 👤 客户全景档案生成模式\n你的唯一任务是基于该客户的所有历史面诊录音，生成一份聚合式的客户全景档案。 # Read phase 1 prompt from external file
档案路径：{profileMdPath} stage1PromptPath = os.path.join(
历史录音目录：{historyDir}/ os.path.dirname(os.path.dirname(os.path.dirname(__file__))),
医生风格：{userDir}/doctor_profile.md "skills", "deepview_profile", "PROMPT_stage1.md",
)
if os.path.exists(stage1PromptPath):
with open(stage1PromptPath, "r", encoding="utf-8") as f:
stage1Prompt = f.read()
else:
stage1Prompt = "## 👤 客户全景档案生成模式\n请生成档案。" # Fallback
## 输出必须包含的章节（缺一不可） stage1Prompt = stage1Prompt.replace("{profileMdPath}", profileMdPath)
1. 客户画像（审美底线、痛感耐受度、决策风格）——每条必须引用原始录音文件名和大致时间戳作为证据 stage1Prompt = stage1Prompt.replace("{historyDir}", historyDir)
2. 信任轨迹：已信任项目列表（含证据）+ 被拒项目列表（含拒绝次数、原声引用、AI拒因分析） stage1Prompt = stage1Prompt.replace("{userDir}", userDir)
3. 面诊统计汇总：基于所有录音的平均信任指数趋势、核心诉求、最近一次接纳度
4. 下次面诊准备要点：客户遗留的未解决问题、曾主动询问但未成交的项目
## 🚨 绝对禁止 systemPrompt += stage1Prompt
- 禁止编造任何"话术"（破冰话术、价值转化话术等）——这不是你的工作
- 禁止编造 CRM 数据（会员等级、LTV、NPS 评分等）——你没有这些数据源
- 所有洞察必须附带录音来源引用，找不到证据的字段留空
"""
mdReport = "" mdReport = ""
try: try:
@ -1794,6 +1834,7 @@ xray.module5: track1(数组,每项含node/action/strategy/purpose), track2(数
from hermes_state import SessionDB from hermes_state import SessionDB
db = SessionDB() db = SessionDB()
import uuid
agent = AIAgent( agent = AIAgent(
model=os.getenv("DEEPVIEW_MODEL", "gemini-pro-vertex"), model=os.getenv("DEEPVIEW_MODEL", "gemini-pro-vertex"),
enabled_toolsets=["file"], enabled_toolsets=["file"],
@ -1804,16 +1845,28 @@ xray.module5: track1(数组,每项含node/action/strategy/purpose), track2(数
user_id=userId, user_id=userId,
) )
import uuid
result = await loop.run_in_executor( result = await loop.run_in_executor(
None, None,
lambda: agent.run_conversation( lambda: agent.run_conversation(
user_message=f"请读取 {profileMdPath} 和 {historyDir}/ 下所有历史录音文件，生成该客户的全景档案报告。每条洞察必须标注来源录音文件名。", user_message=(
f"请读取 {historyDir}/ 下所有历史录音文件（优先读取 report_draft.md 摘要，必要时回溯 asr.md 原文验证），"
f"生成该客户的全景档案报告并写入 {profileMdPath}。"
f"每条洞察必须标注来源录音文件名。"
f"文件第一行必须为：<!-- provenance: ai-aggregate | level: L2 | sources: [{', '.join(sourceRecordings)}] -->"
),
system_message=systemPrompt, system_message=systemPrompt,
), ),
) )
# Agent 通常通过 write_file 将分析结果写入 profile.md，
# final_response 仅是操作完成的告知性消息。
# 因此优先从物理文件获取分析内容，final_response 作为兜底。
if os.path.exists(profileMdPath):
with open(profileMdPath, "r", encoding="utf-8") as f:
mdReport = f.read().strip()
logger.info(f"[DeepviewSSE] Profile Stage 1 done (from file), length={len(mdReport)} chars")
else:
mdReport = result.get("final_response", "").strip() mdReport = result.get("final_response", "").strip()
logger.info(f"[DeepviewSSE] Profile Stage 1 done for {clientId}, length={len(mdReport)} chars") logger.info(f"[DeepviewSSE] Profile Stage 1 done (from response), length={len(mdReport)} chars")
except Exception as e: except Exception as e:
logger.error(f"[DeepviewSSE] Profile Stage 1 failed for {clientId}: {e}") logger.error(f"[DeepviewSSE] Profile Stage 1 failed for {clientId}: {e}")
return return
@ -1823,78 +1876,30 @@ xray.module5: track1(数组,每项含node/action/strategy/purpose), track2(数
return return
# ── Stage 2: JSON 格式引擎 ── # ── Stage 2: JSON 格式引擎 ──
profileSchema = { schemaPath = os.path.join(
"type": "object", os.path.dirname(os.path.dirname(os.path.dirname(__file__))),
"properties": { "skills", "deepview_profile", "SCHEMA_profile.json",
"clientName": {"type": "string"}, )
"lifecycle": { try:
"type": "object", with open(schemaPath, "r", encoding="utf-8") as f:
"properties": { profileSchema = json.load(f)
"totalRecordings": {"type": "number"}, except Exception as e:
"firstRecordingDate": {"type": "string"}, logger.error(f"[DeepviewSSE] Failed to load SCHEMA_profile.json: {e}")
"lastRecordingDate": {"type": "string"}, profileSchema = {}
"followUpSpanDays": {"type": "number"}
}, stage2PromptPath = os.path.join(
"required": ["totalRecordings"] os.path.dirname(os.path.dirname(os.path.dirname(__file__))),
}, "skills", "deepview_profile", "PROMPT_stage2.md",
"portrait": { )
"type": "object", if os.path.exists(stage2PromptPath):
"properties": { with open(stage2PromptPath, "r", encoding="utf-8") as f:
"aestheticBaseline": {"type": "string"}, stage2Prompt = f.read()
"painTolerance": {"type": "string"}, else:
"decisionStyle": {"type": "string"} stage2Prompt = "你是一个 JSON 格式转换器。" # Fallback
}
}, # 将外置 Schema 注入 Stage 2 的 system prompt 中，作为硬约束参考
"trustTrajectory": { if profileSchema:
"type": "object", stage2Prompt += f"\n\n## 目标 JSON Schema（严格遵循）\n```json\n{json.dumps(profileSchema, indent=2, ensure_ascii=False)}\n```"
"properties": {
"trustedProjects": {
"type": "array",
"items": {
"type": "object",
"properties": {
"project": {"type": "string"},
"evidence": {"type": "string"},
"sourceRecording": {"type": "string"}
},
"required": ["project"]
}
},
"rejectedProjects": {
"type": "array",
"items": {
"type": "object",
"properties": {
"project": {"type": "string"},
"rejectionCount": {"type": "number"},
"evidence": {"type": "string"},
"aiRejectionInsight": {"type": "string"},
"sourceRecordings": {"type": "array", "items": {"type": "string"}}
},
"required": ["project"]
}
}
}
},
"consultationStats": {
"type": "object",
"properties": {
"avgTrustIndex": {"type": "number"},
"trustTrend": {"type": "string"},
"coreDemand": {"type": "string"},
"lastAcceptance": {"type": "string"}
}
},
"nextVisitBrief": {
"type": "object",
"properties": {
"keyRisks": {"type": "array", "items": {"type": "string"}},
"topicsToPrepare": {"type": "array", "items": {"type": "string"}}
}
}
},
"required": ["clientName", "portrait", "trustTrajectory", "consultationStats", "nextVisitBrief"]
}
try: try:
from openai import OpenAI from openai import OpenAI
@ -1908,16 +1913,7 @@ xray.module5: track1(数组,每项含node/action/strategy/purpose), track2(数
lambda: litellmClient.chat.completions.create( lambda: litellmClient.chat.completions.create(
model=os.getenv("DEEPVIEW_STAGE2_MODEL", "qwen-plus"), model=os.getenv("DEEPVIEW_STAGE2_MODEL", "qwen-plus"),
messages=[ messages=[
{"role": "system", "content": """你是一个 JSON 格式转换器。将用户提供的客户全景档案报告精确转换为以下 JSON 结构。 {"role": "system", "content": stage2Prompt},
忠实保留原文内容和来源标注，不要增删改。不要编造任何话术类内容。
如果某个字段在原文中未提及，设为 null 或空数组。
顶层: clientName, lifecycle, portrait, trustTrajectory, consultationStats, nextVisitBrief
portrait: aestheticBaseline, painTolerance, decisionStyle (每条尽量包含来源录音引用)
trustTrajectory.trustedProjects: [{project, evidence, sourceRecording}]
trustTrajectory.rejectedProjects: [{project, rejectionCount, evidence, aiRejectionInsight, sourceRecordings}]
consultationStats: avgTrustIndex(0-100整数), trustTrend(improving/stable/declining), coreDemand, lastAcceptance
nextVisitBrief: keyRisks(字符串数组), topicsToPrepare(字符串数组)"""},
{"role": "user", "content": mdReport} {"role": "user", "content": mdReport}
], ],
response_format={"type": "json_object"}, response_format={"type": "json_object"},
@ -1951,7 +1947,7 @@ nextVisitBrief: keyRisks(字符串数组), topicsToPrepare(字符串数组)"""},
logger.info(f"[DeepviewSSE] Profile persisted to DB for {clientId}") logger.info(f"[DeepviewSSE] Profile persisted to DB for {clientId}")
# Notify via SSE # Notify via SSE
await self._broadcastToUser(userId, "profile:done", { self._pushEvent(userId, "profile:done", {
"clientId": clientId, "clientId": clientId,
"clientName": parsedProfile.get("clientName", ""), "clientName": parsedProfile.get("clientName", ""),
}) })
@ -1959,7 +1955,7 @@ nextVisitBrief: keyRisks(字符串数组), topicsToPrepare(字符串数组)"""},
except Exception as e: except Exception as e:
logger.error(f"[DeepviewSSE] Profile Stage 2 failed for {clientId}: {e}") logger.error(f"[DeepviewSSE] Profile Stage 2 failed for {clientId}: {e}")
# Notify error # Notify error
await self._broadcastToUser(userId, "profile:error", { self._pushEvent(userId, "profile:error", {
"clientId": clientId, "clientId": clientId,
"error": str(e), "error": str(e),
}) })

24
backend/skills/deepview_assistant/SKILL.md
View File

@ -28,3 +28,27 @@ description: 深维面诊智能军师
你的回答需要逻辑清晰且具备**极高的可落地性**。如果处于**「单次录音复盘模式」**，必须生成【接纳度评估】【体征数据】【信任断点提取】等结构块。如果处于**「全景档案模式」**，必须重点分析【生命周期洞察】和【社交杠杆引荐网络】。 你的回答需要逻辑清晰且具备**极高的可落地性**。如果处于**「单次录音复盘模式」**，必须生成【接纳度评估】【体征数据】【信任断点提取】等结构块。如果处于**「全景档案模式」**，必须重点分析【生命周期洞察】和【社交杠杆引荐网络】。
无论何种模式，最终必须给出**直接对客使用的话术范例**。 无论何种模式，最终必须给出**直接对客使用的话术范例**。
## 📋 来源分级阅读规则
系统中的文件分为三个可信度层级，你必须严格区分：
| 级别 | 标识 | 文件类型 | 可信度 |
|------|------|---------|--------|
| **L0** | 无标注 / `source: human` | `asr.md`, `asr_raw.m4a` | 最高——原始录音转写，不可变证据 |
| **L1** | `provenance: ai-single` | `report_draft.md` | 高——单条录音的 AI 摘要，有损 |
| **L2** | `provenance: ai-aggregate` | `profile.md` | 中——跨录音 AI 聚合分析，幻觉风险最大 |
### 阅读准则
1. **L0 是唯一的终极证据源**。所有核心论断必须能追溯到 L0 文件中的原文。
2. **L1 可用于快速掌握历史**。但引用原声时，必须回溯 L0 文件验证后才可引用。
3. **L2 仅供参考**。如果 L2（profile.md）中的结论与 L0 原文冲突，以 L0 为准。L2 是你上一次的工作产出，不是事实来源。
4. **引用格式**：所有洞察标注格式为 `(来源: {文件名} L{级别}, {行号}行)`。
- ✅ `(来源: rep_bc439351/asr.md L0, 125行)`
- ❌ `(来源: profile.md)` ← 禁止引用 L2 作为唯一证据
### 规模化阅读策略（录音数 > 5 条时）
- **先读 L1**（report_draft.md）快速掌握每条录音的核心结论
- **按需读 L0**（asr.md）对关键论断进行原文考据
- **最后读 L2**（profile.md）了解上一轮的合成结论（仅供增量更新参考）

22
backend/skills/deepview_profile/PROMPT_stage1.md Normal file
View File

@ -0,0 +1,22 @@
## 👤 客户全景档案生成模式
你的唯一任务是基于该客户的所有历史面诊录音，生成一份聚合式的客户全景档案。
档案路径：{profileMdPath}
历史录音目录：{historyDir}/
医生风格：{userDir}/doctor_profile.md
## 📋 来源分级阅读策略
1. **优先读取** 每条录音目录下的 `report_draft.md`（L1 摘要），快速掌握历史
2. **按需回溯** `asr.md`（L0 原始转写）验证关键论断的原声证据
3. **参考但不依赖** 已有的 `profile.md`（L2），它是你上一轮的产出，不是事实来源
## 输出必须包含的章节（缺一不可）
1. 客户画像（审美底线、痛感耐受度、决策风格）——每条必须引用 L0 原始录音文件名和大致行号作为证据
2. 信任轨迹：已信任项目列表（含 L0 证据）+ 被拒项目列表（含拒绝次数、原声引用、AI拒因分析）
3. 面诊统计汇总：基于所有录音的平均信任指数趋势、核心诉求、最近一次接纳度
4. 下次面诊准备要点：客户遗留的未解决问题、曾主动询问但未成交的项目
## 🚨 绝对禁止
- 禁止编造任何"话术"（破冰话术、价值转化话术等）——这不是你的工作
- 禁止编造 CRM 数据（会员等级、LTV、NPS 评分等）——你没有这些数据源
- 所有洞察必须附带录音来源引用（格式：`来源: {文件名} L{级别}, {行号}行`），找不到 L0 证据的字段留空
- 禁止引用 profile.md (L2) 作为唯一证据——L2 是你自己的上一轮产出

10
backend/skills/deepview_profile/PROMPT_stage2.md Normal file
View File

@ -0,0 +1,10 @@
你是一个 JSON 格式转换器。将用户提供的客户全景档案报告精确转换为指定的 JSON 结构。
忠实保留原文内容和来源标注，不要增删改。不要编造任何话术类内容。
如果某个字段在原文中未提及，设为 null 或空数组。
顶层: clientName, lifecycle, portrait, trustTrajectory, consultationStats, nextVisitBrief
portrait: aestheticBaseline, painTolerance, decisionStyle (每条尽量包含来源录音引用)
trustTrajectory.trustedProjects: [{project, evidence, sourceRecording}]
trustTrajectory.rejectedProjects: [{project, rejectionCount, evidence, aiRejectionInsight, sourceRecordings}]
consultationStats: avgTrustIndex(0-100整数), trustTrend(improving/stable/declining), coreDemand, lastAcceptance
nextVisitBrief: keyRisks(字符串数组), topicsToPrepare(字符串数组)

72
backend/skills/deepview_profile/SCHEMA_profile.json Normal file
View File

@ -0,0 +1,72 @@
{
"type": "object",
"properties": {
"clientName": {"type": "string"},
"lifecycle": {
"type": "object",
"properties": {
"totalRecordings": {"type": "number"},
"firstRecordingDate": {"type": "string"},
"lastRecordingDate": {"type": "string"},
"followUpSpanDays": {"type": "number"}
},
"required": ["totalRecordings"]
},
"portrait": {
"type": "object",
"properties": {
"aestheticBaseline": {"type": "string"},
"painTolerance": {"type": "string"},
"decisionStyle": {"type": "string"}
}
},
"trustTrajectory": {
"type": "object",
"properties": {
"trustedProjects": {
"type": "array",
"items": {
"type": "object",
"properties": {
"project": {"type": "string"},
"evidence": {"type": "string"},
"sourceRecording": {"type": "string"}
},
"required": ["project"]
}
},
"rejectedProjects": {
"type": "array",
"items": {
"type": "object",
"properties": {
"project": {"type": "string"},
"rejectionCount": {"type": "number"},
"evidence": {"type": "string"},
"aiRejectionInsight": {"type": "string"},
"sourceRecordings": {"type": "array", "items": {"type": "string"}}
},
"required": ["project"]
}
}
}
},
"consultationStats": {
"type": "object",
"properties": {
"avgTrustIndex": {"type": "number"},
"trustTrend": {"type": "string"},
"coreDemand": {"type": "string"},
"lastAcceptance": {"type": "string"}
}
},
"nextVisitBrief": {
"type": "object",
"properties": {
"keyRisks": {"type": "array", "items": {"type": "string"}},
"topicsToPrepare": {"type": "array", "items": {"type": "string"}}
}
}
},
"required": ["clientName", "portrait", "trustTrajectory", "consultationStats", "nextVisitBrief"]
}

299
docs/SPEC_md_first_persistence_v1.md Normal file
View File

@ -0,0 +1,299 @@
# SPEC: Markdown-First 物理落盘与来源分级架构
> **版本**: v1.0
> **前置依赖**:
> - [SPEC_deepview_metadata_scoping_v3.md](./SPEC_deepview_metadata_scoping_v3.md) (Prosumer-First 沙箱隔离)
> - [SPEC_tri_domain_knowledge_architecture.md](./SPEC_tri_domain_knowledge_architecture.md) (三元知识域)
> - [DESIGN_PHILOSOPHY_AI_NATIVE.md](./DESIGN_PHILOSOPHY_AI_NATIVE.md) (AI-Native 产品心法)
> **状态**: 草案 (Proposal)
---
## 1. 问题陈述
当前管线中存在三个结构性隐患，它们共享同一根源——**AI 产出物与原始素材在文件系统中无法区分**。
### 1.1 Ghost Response 问题
Hermes Agent 在执行"分析素材并生成报告"类任务时，天然地会通过 `write_file` 工具将分析结果写入物理文件，而 `final_response` 仅返回"操作完成"的告知性消息。如果管线代码从 `final_response` 取值，拿到的是一段无意义的摘要而非真正的分析内容。
这不是 Agent 的 bug——这是 Agent 作为**自主工作者**的正确行为。人类分析师也不会口述 2000 字报告给你，他会"写完放这里，告诉你一声"。
| 管线 | 当前取值方式 | 风险 |
|------|-------------|------|
| 录音笔记 Stage 1 | `result.get("final_response")` | 碰巧可靠（Agent 恰好未写文件），但不稳定 |
| 客户档案 Stage 1 | `result.get("final_response")` | **已验证失效** — Agent 将内容写入 `profile.md`，response 仅 401 字符 |
### 1.2 幻觉复利效应
当前 `profile.md` 既是 Agent 的**输入素材**（读取既往档案），又是 Agent 的**输出目标**（生成新档案后覆盖写入）。文件系统中没有任何标记区分：
- `asr.md`（L0 原始转写，可信度最高）
- `profile.md`（L2 AI 聚合产出，可能包含错误推断）
当 Agent 下次执行时，它 `read_file("profile.md")`——无法判断这是人类录入的事实，还是上一轮 AI 的推测。如果上一次的 profile.md 含有错误推断（如"客户属于价格不敏感型"），Agent 会将其当作已有事实继续叠加推理。
**错误被放大而非纠正——这是幻觉的复利。**
### 1.3 Token 消耗悖论
一位客户积累 50 次面诊后：
- **暴力拼接所有 asr.md**（每条 1-3 万字）→ 100 万字 → 上下文直接爆炸
- **只读 report.md 摘要**（每条 3000 字）→ 15 万字 → 可控
但前提是：**Agent 必须知道 report.md 是 AI 生成的一阶摘要（有损），asr.md 才是无损证据。当需要考据时，应回溯 asr.md 原文，而非引用 report.md 中的话当作原声。**
可靠的中间产出物反而减少 Token 消耗；不可靠的中间产出物则制造幻觉。
---
## 2. 核心原则：Markdown-First 物理落盘
### 2.1 总则
> **管线各阶段之间的接口契约，必须是物理文件，不是内存态变量。**
| 接口方式 | 韧性 | 可审计性 | Agent 兼容性 |
|----------|------|---------|-------------|
| `final_response`（内存态） | ❌ 进程崩溃即丢 | ❌ 需翻 session 日志 | ❌ 与 Agent 的 `write_file` 行为冲突 |
| 物理 `.md` 文件 | ✅ 落盘即不丢 | ✅ `cat` 即可审 | ✅ 顺应 Agent 自然行为 |
### 2.2 两段式管线的物理接口
```
Stage 0 (ASR/上传) Stage 1 (Hermes Agent) Stage 2 (Qwen JSON)
│ │ │
▼ ▼ ▼
asr.md ──read───► Agent ──write──► report_draft.md ──read──► LLM ──► DB JSON
(L0 原始) (L1 AI 产出)
```
- **Stage 0 → Stage 1**：Agent 通过 `read_file` 自主读取 `asr.md`（及其他素材）
- **Stage 1 → Stage 2**：管线代码从 Agent 写入的物理文件读取内容，传入 Stage 2
- **Stage 2 → DB**：JSON 写入数据库（已实现，无变更）
### 2.3 Agent 指令约定
Agent 的 user_message 必须明确指定**输出目标路径**，让 Agent 将分析结果写入该路径。管线代码执行完 Agent 后，从该路径读取内容。
```python
# ✅ 正确：明确输出路径，Agent 写入后管线读取
result = agent.run_conversation(
user_message=f"分析 {historyDir}/ 下的素材，将全景档案写入 {outputPath}",
system_message=systemPrompt,
)
with open(outputPath, "r") as f:
mdReport = f.read()
# ❌ 错误：依赖 final_response（Ghost Response 风险）
mdReport = result.get("final_response", "")
```
---
## 3. 来源分级标记 (Provenance Levels)
### 3.1 三级分类
| 级别 | 标识 | 含义 | 可信度 | 文件命名约定 | 示例 |
|------|------|------|--------|-------------|------|
| **L0** | `source: human` | 物理世界直接采集的原始素材 | 最高——可回溯到原声/原件 | `asr.md`, `asr_raw.m4a`, 用户上传照片 | 录音转写文本（ASR 原始输出） |
| **L1** | `source: ai-single` | AI 基于**单个** L0 素材生成的一阶分析 | 高——有损摘要，但来源明确 | `report_draft.md` | 单条录音的面诊 X 光片报告 |
| **L2** | `source: ai-aggregate` | AI 基于**多个** L0/L1 素材聚合生成的产物 | 中——叠加推理，幻觉风险最大 | `profile.md` | 客户全景档案（跨录音合成） |
### 3.2 文件头元数据标注
所有 AI 生成的 `.md` 文件，必须在文件头以 HTML 注释形式嵌入来源元数据：
```markdown
<!-- provenance: ai-single | level: L1 | generated_at: 2026-04-12T19:42:30+08:00 | model: gemini-pro-vertex | sources: [rep_bc439351/asr.md] -->
# 面诊沟通X光片深度分析报告
...
```
```markdown
<!-- provenance: ai-aggregate | level: L2 | generated_at: 2026-04-12T19:54:39+08:00 | model: gemini-pro-vertex | sources: [rep_bc439351/asr.md, rep_abc123/asr.md] -->
# 👤 客户全景档案：测女士
...
```
L0 文件（asr.md）**不需要**标注——没有标注即为 L0。这是"无标记即原始"的默认原则。
### 3.3 Agent 行为约束（注入 SKILL.md）
在 Agent 的 SKILL 指令中，追加来源分级感知规则：
```markdown
## 📋 来源分级阅读规则
1. **L0 文件**（asr.md, asr_raw.m4a）是不可变的原始证据，所有核心论断必须以 L0 文件为最终考据依据。
2. **L1 文件**（report_draft.md）是单次录音的 AI 摘要，可用于快速浏览历史，但引用原声时必须回溯 L0 验证。
3. **L2 文件**（profile.md）是跨录音的 AI 聚合分析，优先级最低。如果 L2 中的结论与 L0 原文冲突，以 L0 为准。
4. **引用格式**：所有洞察必须标注来源文件名和大致行号，并注明来源级别。
- ✅ `(来源: rep_bc439351/asr.md L0, 125 行)`
- ❌ `(来源: profile.md)` ← 禁止引用 L2 作为唯一证据
```
---
## 4. 文件系统约定
### 4.1 录音笔记管线（单条录音 → 报告）
**当前**:
```
inbox/{asrId}/
├── asr.md ← L0 原始转写
└── asr_raw.m4a ← L0 原始音频
```
**改造后**（归档前）:
```
inbox/{asrId}/
├── asr.md ← L0 原始转写
├── asr_raw.m4a ← L0 原始音频
└── report_draft.md ← L1 AI 单次分析（Agent 写入，管线读取后传入 Stage 2）
```
**改造后**（归档后）:
```
clients/{clientId}/history/{reportId}/
├── asr.md ← L0 不可变
├── asr_raw.m4a ← L0 不可变
└── report_draft.md ← L1 随迁（审计留痕）
```
### 4.2 客户档案管线（多条录音 → 全景档案）
```
clients/{clientId}/
├── profile.md ← L2 AI 聚合产出（每次生成时覆盖）
└── history/
├── {reportId_A}/
│ ├── asr.md ← L0
│ ├── asr_raw.m4a ← L0
│ └── report_draft.md ← L1
├── {reportId_B}/
│ ├── asr.md ← L0
│ └── report_draft.md ← L1
└── ...
```
### 4.3 不可变性规则
| 文件 | 可读 | 可写/覆盖 | 可删除 |
|------|------|----------|--------|
| `asr.md` (L0) | ✅ Agent + 管线 | ❌ 上传后不可变 | ❌ |
| `asr_raw.m4a` (L0) | ✅ 审计用 | ❌ | ❌ |
| `report_draft.md` (L1) | ✅ Agent + 管线 | ✅ 重新生成时覆盖 | ❌ |
| `profile.md` (L2) | ✅ Agent + 管线 | ✅ 每次归档后重新生成 | ❌ |
---
## 5. 代码改造清单
### 5.1 录音笔记管线 (`_handleReportGenerate`)
| 步骤 | 现状 | 改造 |
|------|------|------|
| Agent user_message | 未指定输出路径 | 新增 `report_draft.md` 输出路径指令 |
| Stage 1 取值 | `result.get("final_response")` | 优先读取 `inbox/{asrId}/report_draft.md`，兜底 `final_response` |
| report_draft.md 写入 | 无 | Agent 自行写入（prompt 引导），或管线兜底写入 |
| 文件头标注 | 无 | Agent prompt 中要求写入 `<!-- provenance -->` 标注 |
### 5.2 客户档案管线 (`_generateClientProfile`)
| 步骤 | 现状 | 改造 |
|------|------|------|
| Agent user_message | 含 `profileMdPath` 路径 | 保持（Agent 已自然写入此路径） |
| Stage 1 取值 | ~~`result.get("final_response")`~~ **已修复** → 读取 `profile.md` | ✅ 已完成 |
| 文件头标注 | 无 | 需追加 `<!-- provenance: ai-aggregate ... -->` |
### 5.3 SKILL.md 追加
| 文件 | 变更 |
|------|------|
| `skills/deepview_assistant/SKILL.md` | 追加"来源分级阅读规则"章节 |
| `skills/deepview_profile/PROMPT_stage1.md` | 要求输出文件头带 `<!-- provenance -->` 标注 |
---
## 6. Agent 信息获取策略（规模化场景）
当客户积累大量面诊录音后，Agent 应自主规划信息获取策略，而非被管线代码预先读取所有文件：
### 6.1 分层阅读策略
```
Agent 收到任务: "生成 p_b1232417 的全景档案"
│
├─ Step 1: search_files → 扫描 history/ 目录结构，确认有 N 条录音
│
├─ Step 2: read_file(profile.md) → 读取 L2 既有档案（如果存在）
│ └── Agent 识别 provenance: ai-aggregate → 知道这是上一轮 AI 自己的产出，仅供参考
│
├─ Step 3: 逐条读取 report_draft.md (L1) → 快速掌握每条录音的核心结论
│ └── Token 消耗: N × ~3000 字（远小于 N × ~20000 字的 asr.md）
│
├─ Step 4 (按需): 对关键论断回溯 asr.md (L0) 验证
│ └── 仅在需要考据原声时才读取完整 ASR，避免全量加载
│
└─ Step 5: write_file(profile.md) → 生成新的 L2 档案，覆盖旧版
```
### 6.2 Token 经济模型
| 录音数量 | 暴力全读 (asr.md) | 分层阅读 (report_draft.md + 按需 asr.md) | 节省比 |
|----------|-------------------|----------------------------------------|--------|
| 5 条 | ~10 万字 | ~1.5 万字 + 按需 ~2 万字 | ~65% |
| 20 条 | ~40 万字 | ~6 万字 + 按需 ~4 万字 | ~75% |
| 50 条 | ~100 万字 (上下文爆炸) | ~15 万字 + 按需 ~6 万字 | **可行 vs 不可行** |
---
## 7. 与已有 SPEC 的关系
```mermaid
graph TB
A["DESIGN_PHILOSOPHY_AI_NATIVE<br/>先有价值，后有治理"] --> B["SPEC_metadata_scoping_v3<br/>Prosumer-First 沙箱隔离"]
B --> C["SPEC_tri_domain_knowledge<br/>三元知识域"]
B --> D["SPEC_md_first_persistence<br/>📄 本规范"]
D --> E["来源分级标记"]
D --> F["管线物理接口"]
D --> G["Agent 分层阅读策略"]
```
- **V3 SPEC** 定义了"数据在哪"（`users/{userId}/` 沙箱）
- **三元域 SPEC** 定义了"知识从哪来"（平台/机构/个人三级注入）
- **本 SPEC** 定义了"文件怎么流"（物理落盘、来源标记、Agent 感知证据层级）
三者合力构成了完整的数据治理体系：**沙箱隔离 × 知识分域 × 来源追溯**。
---
## 8. 验证计划
### 8.1 自动化测试
```bash
# 1. 录音笔记管线：验证 report_draft.md 是否被生成
test -f inbox/{asrId}/report_draft.md && echo "✅ L1 文件存在"
head -1 inbox/{asrId}/report_draft.md | grep "provenance" && echo "✅ 来源标记存在"
# 2. 客户档案管线：验证 profile.md 来源标记
head -1 clients/{clientId}/profile.md | grep "ai-aggregate" && echo "✅ L2 标记正确"
# 3. 归档后文件完整性
ls clients/{clientId}/history/{reportId}/ | grep -c ".md" # 应 >= 2 (asr.md + report_draft.md)
```
### 8.2 人工审计
- 对比 `profile.md` 中的引述与 `asr.md` 原文，确认无二次幻觉放大
- 检查 Agent session 日志，确认分层阅读行为（先读 L1 摘要，按需回溯 L0）
---
> *本规范定义了深维面诊助理的 Markdown-First 物理落盘与来源分级架构。*
> *核心信念：物理文件是管线各阶段之间的唯一接口契约。AI 产出必须标注来源级别，原始素材不可变。*
> *审阅确认后，将指导两条管线的统一改造。*

3
src/app/core/api.service.ts
View File

@ -51,7 +51,8 @@ export class ApiService {
} }
async getReportsList(): Promise<any> { async getReportsList(): Promise<any> {
return this.http.get(`${this.apiUrl}/reports/list`, { const ts = new Date().getTime();
return this.http.get(`${this.apiUrl}/reports/list?_t=${ts}`, {
headers: this.getHeaders() headers: this.getHeaders()
}).toPromise(); }).toPromise();
} }

19
src/app/pages/workspace-dashboard/workspace-dashboard.ts
View File

@ -25,15 +25,26 @@ export class WorkspaceDashboard implements OnInit {
let completedReports: any[] = []; let completedReports: any[] = [];
try { try {
const res = await this.api.getReportsList(); const res = await this.api.getReportsList();
console.log('--- REPORTS LIST LOADED ---', res);
if (res && res.reports) { if (res && res.reports) {
completedReports = res.reports.map((r: any) => { completedReports = res.reports.map((r: any) => {
const rawName = r.data?._meta?.patientName || r.contextId.split('/')[0].replace('recording:', '') || '未知客户'; const isArchived = r.contextId.includes('/');
const isArchived = !rawName.includes('unknown_client') && rawName !== '未知客户'; let patientName = r.data?.clientName || r.data?.patientName || '未知客户';
console.log(`Report [${r.id}] -> dbClientName: ${r.data?.clientName}, dbPatient: ${r.data?.patientName}, finalName: ${patientName}`);
if (!isArchived) patientName = '访客体验号';
let coreDemandStr = r.data?.coreDemand || r.data?.xray?.module1?.coreInsight || '面诊分析报告（AI）';
if (coreDemandStr.length > 20) {
coreDemandStr = coreDemandStr.substring(0, 20) + '...';
}
return { return {
id: r.id, id: r.id,
coreDemand: r.data?.module1?.insight?.substring(0, 20) + '...' || '面诊分析报告（AI）', coreDemand: coreDemandStr,
createdAt: new Date(r.createdAt * 1000).toLocaleString('zh-CN', { month: '2-digit', day: '2-digit', hour: '2-digit', minute: '2-digit' }), createdAt: new Date(r.createdAt * 1000).toLocaleString('zh-CN', { month: '2-digit', day: '2-digit', hour: '2-digit', minute: '2-digit' }),
patientName: isArchived ? rawName : '访客体验号', patientName: patientName,
isArchived: isArchived, isArchived: isArchived,
status: r.status // 'processing', 'completed', 'failed' status: r.status // 'processing', 'completed', 'failed'
}; };