急稿问诊室 DDL Doctor · Demo 说明文档

点击直接体验 https://pingfangww.github.io/ddl-doctor/

写在前面

「急稿问诊室」是一个可点击、可体验的学习搭子 Agent 样机：用医院问诊的流程隐喻，把"赶 DDL 写论文"这件事从选题到定稿完整办完。单文件 HTML，浏览器直接打开就能跑，覆盖 4 个场景 × 3 个选题方向，共 12 条完全独立的对话路径。它呈现的是这套 Agent 的产品形态、交互动线，以及"问诊 → 开处方 → 手术 → 化验 → 包扎 → 出院"的完整任务编排逻辑。

需要说明的是，当前样机为前端交互演示：为保证离线可演示、随点随看，Agent 的回答用的是预先编写的场景化剧本（按场景触发），字数、引用、评语为演示数据。它验证的是产品形态与编排逻辑，暂不代表接入大模型后的真实生成能力。正式落地接入大模型 API + 检索增强（RAG）后，四个环节即可实时生成——写作分段产出、引用可溯源查证、格式一键排版（技术路径见文末「升级方向」）。

一、设计初衷

为什么是"赶 DDL"这个场景？

三个理由支撑这个选择。第一，它够高频——每个大学生每学期都在经历，痛点真实、普遍、反复发生。第二，它天然适合 Agent 而不适合聊天 AI：赶 DDL 是一条有前后依赖、需要持续跟进的完整任务链（定题 → 列纲 → 写作 → 查引用 → 排版 → 检查），ChatGPT 能帮你"润色这一段"，却接不住"把整篇论文从头办完"。第三，这条工作流已经被完整验证过——从初稿、逐条查证引用、交叉审稿到自动排版，用多个 AI 工具串起来跑通一整篇长文完全可行。急稿问诊室就是把这套验证过的工作流，包装成一个人人可用的产品。

为什么用医院问诊的隐喻？

这不是给 Agent 穿件白大褂的贴皮，而是流程结构上的对应。三个层面都对得上：

情绪节奏一致——赶 DDL 的"快不行了 → 被接住 → 一步步推进 → 完成的解脱"，和看病的心理曲线几乎重合。用户打开产品时的状态就是"救命"，医院隐喻直接接住这份焦虑。
流程结构匹配——医院本身就是一条多环节串行的任务链：挂号（意图识别）→ 问诊（智能追问）→ 分诊（DDL 分级）→ 开处方（选题 + 大纲）→ 手术（分段写作）→ 化验（引用查证）→ 包扎（格式排版）→ 出院（质量门控 + 交付）。
编排逻辑成立——医院从不是把八个功能堆在一起：信息够了就跳过问诊，门诊和抢救走不同路径，关键节点必须人确认才继续，中断后从病历恢复上下文。这套条件跳转与状态流转，正是 Agent 编排引擎要做的事。

分诊，是这个隐喻里最关键的一步。 根据 DDL 剩余时间 + 任务量自动定级，不同等级对应整条链路的不同执行策略：

🟢 门诊（> 3 天）：从容引导，充分讨论选题，语气像导师。
🟡 急诊（1–3 天）：压缩问诊，直接出大纲让你拍板，语气像高效搭档。
🔴 抢救（< 24 小时）：跳过讨论，直接给方案，你只需确认，语气像急诊大夫。

分诊等级变的不只是标签颜色，而是问诊深度、Agent 主动性、人工确认节点数量——整条编排链的策略都随之调整。

抢救级（🔴）挂号后：术前成功率评估 + 降焦安抚 + 三个选题方向，右侧病历卡实时显示分诊等级与 DDL 倒计时

二、和通用 AI 有什么不一样

对话式 AI（如 ChatGPT）擅长润色某一段，接不住「把整篇论文从头办完」；编程类 Agent（如 Claude Code、Codex）已经能把「定题 → 写作 → 查引用 → 排版」整条链路跑通。既然通用 Agent 已经能做全流程，为什么还需要急稿问诊室？

关键在于：「模型能办完全流程」和「大学生用得上」是两件事，前者是能力，后者是产品。急稿问诊室的差异在五个层面：

门槛：编程类 Agent 面向会写 prompt、会开终端、懂任务拆解的开发者；大学生赶 DDL 时打开的是浏览器。急稿问诊室把「得先学会编排」压缩成「点继续就行」，让消费级用户也能用上专家级的全流程能力。
编排内置：通用 Agent 写论文时，什么时候查引用、什么时候先出大纲拦一道，这套编排逻辑要由使用者自己掌握。急稿问诊室把「问诊 → 分诊 → 开处方 → 手术 → 化验 → 出院」固化进产品，用户无需理解编排本身即可拿到同样的结果。
场景分级：剩 20 小时和剩 5 天，通用工具的执行策略一样。急稿问诊室按 DDL 剩余时间自动分诊，同一套流程在不同等级下改变问诊深度、主动性和人工确认节点数——这是垂直场景才能内置的假设。
诚实门控：通用模型会自信地编造引用。急稿问诊室把「不确定就标 ⚠️」做成化验环节的必经步骤，把核实权交回给用户。学术场景里，这是信任底线。
情绪价值：赶 DDL 是一次情绪事件。出院证明、撒花、成就墙，把一次痛苦的赶稿收束成一张可收藏的成就卡，这是通用工具不覆盖的体验层。

一句话：通用 Agent 证明了「AI 能办完全流程」在技术上成立；急稿问诊室要解决的是「让不会写 prompt 的大学生也能享受这套全流程」——把专家级的编排能力，封装成点点就能用的垂直产品。

三、能力与边界

一套面向大学生赶 DDL 场景的学习搭子 Agent 交互样机，把写论文的全流程做成一条可点击的问诊动线：

环节	对应能力	核心演示内容
挂号 + 问诊 + 分诊	意图识别 + Clarify + DDL 分级	输入需求 → 自动判断信息完备度 → 定分诊等级
开处方	选题推荐 + 大纲生成	给 3 个选题方向，选定后生成大纲（人工确认）
手术	分段写作	按大纲逐节生成正文，字数动态递增
化验	引用查证	逐条引用标注 ✅ 确认 / ⚠️ 待查，诚实不编造
包扎 + 出院	排版 + 质量门控	生成出院证明（评分 + 评语）+ 下载文件

技术形态：单个 HTML 文件（约 130KB），双击用浏览器打开即可，无需联网、无需安装、无需部署。

能做（可现场体验）

完整的问诊动线与交互动效，接近真实产品的操作手感
4 个场景对应 🔴🟡🟢🟡 四种分诊等级，可直观对比不同等级下 Agent 语气与推进节奏的差异
每步右侧同步更新病历卡：分诊标签、DDL 倒计时、诊疗进度条、字数计数器动画
化验环节的引用标注（✅/⚠️）、出院证明、撒花与成就墙等完整反馈闭环
12 条独立对话路径（4 场景 × 3 选题），可反复切换体验变体

当前不能做（因为未接 LLM）

不能理解并回答预设剧本以外的自由输入（会走友好引导，提示选择上方场景）
回答为固定文案，不生成个性化新内容
引用为预写演示，未接真实学术检索
刷新页面回到初始态，暂无真实病历持久化

这些边界正是"升级方向"要补齐的部分——Demo 验证的是产品形态与编排逻辑，模型能力是接入后的事。

四、两分钟体验路径

打开 Demo（上方链接）→ 欢迎页点任一场景按钮 → 沿"继续 →"推进 → 关键节点点选项确认。四个场景的分诊等级不同，建议至少体验一个抢救（🔴）和一个门诊（🟢）做对比。

1. 选场景，看分诊差异（推荐先体验）

点 📜 古代晚期课程论文（🔴 抢救 <24h）：Agent 跳过讨论，直接给三个选题方向让你选，语气紧凑。
再点 🧬 公共卫生导论论文（🟢 门诊 >3天）：Agent 会先聊"你对哪个方向更感兴趣"，节奏从容。
对比两者：同一套流程，分诊等级不同，Agent 的推进速度和问诊深度完全不一样。

2. 开处方 · 选题与大纲（人工门控）

在选题步点选一个方向（选中变绿、其余变灰）→ Agent 据此生成大纲。
体验点：大纲是"生成后先给你确认"再写，而不是闷头写完再改——在成本最低的节点让人拍板。

3. 手术 · 分段写作

点"继续 →"，看 Agent 流式打字 + 右侧字数计数器递增动画（0 → 1024 → 2200 …），感受"正在码字"的推进感。

4. 化验 · 引用查证（核心亮点）

进入化验报告，看每条引用带 ✅（来源确认）或 ⚠️（需确认页码）标注。
体验点：不确定的引用被明确标出，不静默放行——这是学术场景建立信任的底线。

5. 出院 · 交付与成就

最后弹出出院证明 + 撒花：分诊等级、字数、引用数、住院时长、主治评分、个性化评语。
可点"📥 下载 .docx"或"🏆 贴到出院墙"（底部累计数 +1）。

出院证明：分诊等级、耗时、字数、引用数、主治评分与个性化评语，一张可收藏的成就卡

五、样机亮点

单文件可交互 Demo，问诊全链路可点可用，浏览器直接打开即体验，零构建、零部署。
12 条独立路径（4 场景 × 3 选题），用三层数据结构（默认路径 + 变体元数据 + 变体步骤）把数据量压到约 80KB，验证变体系统可扩展。
手绘笔记本视觉风格：格线纸背景 + Rough.js 代码生成的手绘涂鸦（听诊器、心脏、药丸）+ 微微歪斜的卡片 + Caveat 手写体。刻意避开千篇一律的毛玻璃 AI 风，一眼记得住，也贴"校医院 + 学生自嘲"的氛围。
分诊驱动的差异化编排：四个场景不只是换题目，而是分诊等级不同 → 整条链路的语气、速度、人工门控数量都不同。
诚实标注机制：化验环节对引用标 ✅/⚠️，把"不确定就标出来"做成必经流程，而不是可选项。
完整的情绪价值设计：分诊标签、DDL 倒计时、出院证明、成就墙——把一次痛苦的赶稿变成一张可收藏、可分享的成就卡。
交互动效与无障碍：流式打字、字数 count-up、Lottie 打字等待、confetti 撒花，并对 prefers-reduced-motion 用户自动降级；三个 CDN 全部离线可回退，断网核心流程照常可用。

六、升级方向：接入真实大模型后的架构

Demo 演示的是产品形态与编排逻辑，正式落地时会拆成"编排层 + 多 Agent + 记忆层"三块：

[前端 Chat UI]
    ↓ 流式输出（SSE / WebSocket）
[编排层 Orchestrator]  —— 控制状态流转与条件跳转
    ├── 问诊 Agent：意图识别 + Clarify（信息完备度四维判断，够了就跳过）
    ├── 写作 Agent：分段生成 + 病历工作记忆（每段先读病历，自动衔接前文）
    ├── 化验 Agent：引用检索 + 交叉验证（能搜到的自动取，搜不到的请用户提供，不确定标 ⚠️）
    └── 排版 Agent：标题层级 / 脚注 / 参考文献格式 → 一键输出可提交的 Word
[记忆层]
    ├── 病历（任务级工作记忆）：大纲 + 已写内容 + 引用列表，关页面再回来可恢复
    └── 学术画像（用户级长期记忆）：课程、写作偏好、常用文献、老师评分标准

编排层的关键设计：信息完备度不足先触发问诊而不硬写；分诊等级决定每步执行策略；选题、大纲等关键节点设人工门控；化验对每条引用标置信度，不确定的交给人核实。这套逻辑在 Demo 里已用剧本完整跑通，接入大模型后即可从"预设"升级为"实时生成"。