chore: finalize backend feature scope

app/agents/learning_assistant_agent.py

@@ -1,37 +1,34 @@
 from collections.abc import AsyncIterator
 
-from app.agents.llm_adapter import LLMResponse, LLMStreamChunk, OpenAICompatibleLLMClient
+from app.agents.llm_adapter import LLMStreamChunk, OpenAICompatibleLLMClient
 from app.core.config import settings
 from app.schemas.learning_assistant import LearningAssistantSource
 
 
 class LearningAssistantAgent:
-    """AI学习助手 Agent：根据 RAG 来源生成带循证出处的医学学习回答。"""
+    """AI 学习助手 Agent：根据 RAG 来源和短期上下文生成带循证出处的医学学习回答。"""
 
     def __init__(self, llm_client: OpenAICompatibleLLMClient | None = None) -> None:
         self.llm_client = llm_client or OpenAICompatibleLLMClient()
 
-    async def answer(self, question: str, sources: list[LearningAssistantSource]) -> LLMResponse:
-        """非流式回答：把问题和检索来源拼接后调用快速模型生成标准回答。"""
-        return await self.llm_client.chat(
-            self._messages(question, sources),
-            model=settings.llm_fast_model,
-            thinking_enabled=settings.llm_fast_thinking_enabled,
-            max_tokens=1200,
-        )
-
-    async def stream_answer(self, question: str, sources: list[LearningAssistantSource]) -> AsyncIterator[LLMStreamChunk]:
+    async def stream_answer(
+        self,
+        question: str,
+        sources: list[LearningAssistantSource],
+        history: list[dict] | None = None,
+    ) -> AsyncIterator[LLMStreamChunk]:
         """流式回答：输出 AI 学习助手增量文本，前端可直接渲染。"""
         async for chunk in self.llm_client.stream_chat(
-            self._messages(question, sources),
+            self._messages(question, sources, history or []),
             model=settings.llm_fast_model,
             thinking_enabled=settings.llm_fast_thinking_enabled,
             max_tokens=1200,
         ):
             yield chunk
 
-    def _messages(self, question: str, sources: list[LearningAssistantSource]) -> list[dict]:
-        """提示词拼接：命中知识库时必须引用来源，未命中时必须声明未找到参考。"""
+    def _messages(self, question: str, sources: list[LearningAssistantSource], history: list[dict]) -> list[dict]:
+        """提示词拼接：命中知识库时强制引用来源，未命中时必须声明未找到机构参考。"""
+        history_text = self._history_text(history)
         if sources:
             context = "\n\n".join(
                 (
@@ -42,17 +39,41 @@ class LearningAssistantAgent:
                 for index, source in enumerate(sources, start=1)
             )
             system = (
-                "你是医学学习助手，只用于医学教育学习，不替代临床诊疗。"
-                "请优先依据给定知识库片段回答，回答要清晰、准确、分点。"
+                "你是医学学习助手，用于医学教育、课程学习和临床思维训练，不替代临床诊疗。"
+                "优先依据给定知识库片段回答，回答要清晰、准确、分点。"
                 "每个关键结论后标注对应来源编号，例如【来源1】。"
-                "不得编造不存在的PDF、页码或指南来源。"
+                "不得编造不存在的 PDF、页码或指南来源。"
+            )
+            user = (
+                f"{history_text}"
+                f"用户当前问题：{question}\n\n"
+                f"可用知识库片段：\n{context}\n\n"
+                "请给出带来源的学习回答。"
             )
-            user = f"用户问题：{question}\n\n可用知识库片段：\n{context}\n\n请给出带来源的学习回答。"
         else:
             system = (
-                "你是医学学习助手，只用于医学教育学习，不替代临床诊疗。"
-                "当前没有检索到机构知识库参考，回答开头必须写：未检索到本机构知识库参考，以下为大模型通用学习回答。"
-                "不得伪造PDF来源、页码或指南名称。"
+                "你是医学学习助手，用于医学教育、课程学习和临床思维训练，不替代临床诊疗。"
+                "当前没有检索到机构知识库参考，回答开头必须写："
+                "未检索到本机构知识库参考，以下为大模型通用学习回答。"
+                "不得伪造 PDF 来源、页码或指南名称。"
+            )
+            user = (
+                f"{history_text}"
+                f"用户当前问题：{question}\n\n"
+                "请给出通用学习回答，并提醒用户以课程教材、指南和临床医生判断为准。"
             )
-            user = f"用户问题：{question}\n\n请给出通用学习回答，并提醒用户以课程教材和临床规范为准。"
         return [{"role": "system", "content": system}, {"role": "user", "content": user}]
+
+    def _history_text(self, history: list[dict]) -> str:
+        """上下文摘要：把当前学习助手会话最近几轮问答压缩为提示词上下文。"""
+        if not history:
+            return ""
+        lines: list[str] = []
+        for item in history[-settings.learning_assistant_history_limit :]:
+            role = "用户" if item.get("role") == "user" else "助手"
+            content = str(item.get("content") or "").strip()
+            if content:
+                lines.append(f"{role}：{content[:500]}")
+        if not lines:
+            return ""
+        return "当前会话最近上下文：\n" + "\n".join(lines) + "\n\n"