Feature/hypertension rag

.env.example

@@ -27,3 +27,21 @@ PUBMED_EMAIL=your_email@example.com
 # Use a faster/cheaper model for Judge and Scheduling agents (~30–40% faster overall)
 # If unset, LLM_MODEL is used for all agents.
 # FAST_LLM_MODEL=gpt-3.5-turbo
+
+# ── Hypertension RAG Service ─────────────────────────────────────────────────
+# Base URL of the hypertensiondb FastAPI service (see ../hypertension/).
+# Must be running before Acquire stage executes.  Start it with:
+#   cd hypertension && hdb serve run --port 8000
+HYPERTENSION_API_URL=http://localhost:8000
+
+# HTTP timeout per /search request, in seconds
+HYPERTENSION_API_TIMEOUT=10
+
+# Number of chunks to request from /search (client aggregates into max_papers papers)
+RAG_SEARCH_TOP_K=15
+
+# Max papers to surface to downstream agents (after aggregation by evidence_id)
+RAG_MAX_PAPERS=6
+
+# Max supporting passages to keep per paper
+RAG_MAX_PASSAGES_PER_PAPER=3

.gitignore

@@ -18,3 +18,8 @@ logs/
 .claude/
 gemini文本生图.py
 nul
+.worktrees/
+
+# hypertension/ is a separate git repository (its own .git/);
+# kept alongside ebm5a as a sibling sub-project, not as a submodule.
+hypertension/

README.md

@@ -8,7 +8,7 @@
 [![Python](https://img.shields.io/badge/python-3.10+-blue.svg)](https://www.python.org/downloads/)
 [![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)
 [![OpenAI Compatible](https://img.shields.io/badge/API-OpenAI%20Compatible-412991.svg)](https://platform.openai.com/)
-[![PubMed](https://img.shields.io/badge/data-PubMed%20实时检索-326599.svg)](https://pubmed.ncbi.nlm.nih.gov/)
+[![RAG](https://img.shields.io/badge/data-Hypertension%20RAG-326599.svg)](https://github.com/FreedomIntelligence/TrueTruth)
 
 </div>
 
@@ -29,13 +29,13 @@ TrueTruth将一段普通的临床问题文本全自动转化为**经过分级的
 
 | 特性 | 说明 |
 |------|------|
-| **5A 工作流** | Ask（PICO 结构化）→ Acquire（PubMed 实时检索）→ Appraise（GRADE 评价）→ Apply（生成推荐）→ Assess（质量审查） |
+| **5A 工作流** | Ask（PICO 结构化）→ Acquire（RAG 检索）→ Appraise（GRADE 评价）→ Apply（生成推荐）→ Assess（质量审查） |
 | **GRADE 确定性计算** | LLM 输出分类标签，Python 代码确定性地计算 GRADE 等级，不依赖 LLM 对评级规则的理解 |
-| **五种问题类型** | Therapy / Diagnosis / Prognosis / Harm / Prevention，每种类型触发不同 PubMed 检索过滤器 |
+| **五种问题类型** | Therapy / Diagnosis / Prognosis / Harm / Prevention，每种类型触发不同检索策略 |
 | **四级推荐强度** | Strong、Conditional（间接证据）、Consensus-based（指南/专家共识）、Insufficient Evidence |
-| **实时文献检索** | 三层 PubMed 查询策略（严格→中等→宽松），24 小时磁盘缓存，MedCPT Listwise 重排序 |
+| **Hypertension RAG** | 基于高血压领域 landmark trial 的向量检索服务，提供结构化证据块与 passage 级引用 |
 | **鲁棒 JSON 解析** | 每个 Agent 与 Judge LLM 内置三阶段 JSON 恢复，LLM 输出格式错误不会导致工作流崩溃 |
-| **完整审计追踪** | 每阶段评分（0–1）、问题清单、回退事件、调度决策全部记录，每条引用附带真实 PMID |
+| **完整审计追踪** | 每阶段评分（0–1）、问题清单、回退事件、调度决策全部记录，每条引用附带真实来源 |
 | **OpenAI 兼容** | 支持任何 OpenAI 兼容 API；Judge/Scheduling 可配置独立的快速模型以降低成本 |
 
 ### 工作流程
@@ -66,15 +66,15 @@ TrueTruth将一段普通的临床问题文本全自动转化为**经过分级的
 
 - Python **3.10+**
 - 兼容 OpenAI 的 API Key（OpenAI、Azure OpenAI 或其他兼容服务商）
-- 免费的 PubMed 注册邮箱（[NCBI API 使用规范](https://www.ncbi.nlm.nih.gov/home/about/policies/)要求）
+- Hypertension RAG 服务（见下方说明）
 - Docker + Docker Compose（仅 Docker 部署方式需要）
 
 ### 方式一：Docker（推荐）
 
 ```bash
 git clone https://github.com/FreedomIntelligence/TrueTruth.git
 cd TrueTruth
-cp .env.example .env        # 填写 LLM_API_KEY、LLM_BASE_URL、LLM_MODEL、PUBMED_EMAIL
+cp .env.example .env        # 填写 LLM_API_KEY、LLM_BASE_URL、LLM_MODEL
 make check-env              # 验证配置（可选但推荐）
 make docker-up              # 构建镜像并启动，首次约需 3–5 分钟
 # 浏览器打开 http://localhost:8080
@@ -100,7 +100,9 @@ make cli QUERY="68岁男性，NSTEMI合并急性消化道出血，DAPT还是氯
 LLM_BASE_URL=xxx
 LLM_API_KEY=sk-...
 LLM_MODEL=xxx
-PUBMED_EMAIL=your_email@example.com
+
+# Hypertension RAG 服务地址（默认本地 8000 端口）
+HYPERTENSION_API_URL=http://localhost:8000
 
 # 可选——Judge/Scheduling 使用更快的轻量模型，可节省约 30–40% 耗时
 # FAST_LLM_MODEL=gpt-4o-mini
@@ -130,7 +132,7 @@ ebm5a/
 │   ├── agents/
 │   │   ├── base.py                   # 共享三阶段 JSON 恢复
 │   │   ├── ask_agent.py              # PICO 结构化 + 问题类型识别
-│   │   ├── acquire_agent.py          # PubMed 检索 + MedCPT 重排序
+│   │   ├── acquire_agent.py          # Hypertension RAG 检索
 │   │   ├── appraise_agent.py         # GRADE 评价（并行批次）
 │   │   ├── apply_agent.py            # 推荐综合生成
 │   │   └── assess_agent.py           # 推理链质量审查
@@ -144,9 +146,8 @@ ebm5a/
 │   ├── state/
 │   │   └── schema.py                 # 状态数据结构（dataclass + TypedDict）
 │   ├── tools/
-│   │   ├── pubmed_api.py             # PubMed 客户端 + 24h 磁盘缓存
-│   │   ├── medcpt.py                 # MedCPT Listwise 重排序
-│   │   └── local_evidence_db.py      # 本地向量数据库检索
+│   │   ├── hypertension_rag_client.py  # Hypertension RAG HTTP 客户端
+│   │   └── medcpt.py                 # MedCPT 重排序（可选）
 │   └── config/
 │       ├── llm_config.py             # get_llm() / get_fast_llm()
 │       ├── prompts/                  # 各 Agent 与 Judge 提示词（.txt）
@@ -168,7 +169,6 @@ ebm5a/
 │   └── check_env.py                  # 配置验证脚本（make check-env）
 ├── tests/                            # 测试目录
 ├── docs/                             # 设计文档与故障排查
-├── data/cache/                       # PubMed 查询缓存（自动生成）
 ├── logs/                             # 运行日志（自动生成）
 ├── Dockerfile.backend
 ├── Dockerfile.frontend
@@ -259,7 +259,5 @@ MIT © Winda0001 — 详见 [LICENSE](LICENSE)
 
 ## 致谢
 
-- [NCBI PubMed](https://pubmed.ncbi.nlm.nih.gov/) — 实时生物医学文献数据库
 - [MedCPT](https://github.com/ncbi/MedCPT) — NCBI 开发的生物医学密集检索与重排序模型
-- [LangChain](https://python.langchain.com/) / [LangGraph](https://langchain-ai.github.io/langgraph/) — 智能体编排框架
 - [GRADE Working Group](https://www.gradeworkinggroup.org/) — 证据分级方法论