AI 专利分析多智能体系统：chat-first 对话入口 + 工作台可视化，支持专利无效性检索与侵权取证（EOU）两种分析。产出为律师工作底稿，每条结论带逐字引用、可溯源、可核验。

无效检索

全景检索状态机

检索过程建模为状态机，状态包括：INIT（解析完成，生成初始计划）→ PLAN（查询计划 k 版）→ EXECUTE（并行多通道召回）→ ASSESS（要素级评估矩阵更新）→ GAP（缺口识别）→ 循环回到 PLAN，直至满足终止条件。终止条件三选一：全部独立权利要求都存在至少一个 §102 候选或完整 §103 组合；迭代收益递减（新增覆盖要素数连续两轮为 0）；预算耗尽（时间/ token / 调用数）。状态机每轮更新黑板上的覆盖矩阵 M[element, reference]，该矩阵既是算法状态也是向用户展示检索范围的可视化数据源（对应官网：可以看到已经检索了什么）

覆盖率保障机制

全景是渐近目标，工程上用四个机制逼近。机制一，多视角查询：同一要素至少从术语、功能、问题—解决方案三个视角各生成一组查询，防止单一表述造成的检索盲区。机制二，跨域类比通道：对每个要素抽取功能语义向量（what it does，剥离领域名词），在去掉本领域 CPC 过滤的条件下做向量检索，专门召回类比文献——针对 Stilta 披露的第一类失败模式。机制三，组合优先搜索：组合求解器优先选择能覆盖最多未覆盖要素的文献（集合覆盖贪心 + 局部替换），使 §103 路径尽早闭合。机制四，不确定性上报：当某要素在 N 轮后仍无覆盖，将其标记为需要专家判断的硬缺口并在报告中显式披露，而非静默放弃——与 Stilta 的透明性原则一致。

可引用结果对象（CitableFinding）

系统一切对外输出均以 CitableFinding 为原子：结构为（结论文本，要素引用，证据引用列表，论证类型 §102/§103/DoE，置信区间标注，生成模型与版本，核验状态）。每条证据引用（EvidenceCitation）包含：文献 ID 与类型、定位（页码 + 段落 + 字符级 span 的 PDF 坐标）、逐字引文（verbatim quote）、公开日与合规说明、存档链接、核验结果（逐字匹配通过/警告）。核验规则：引文必须与源文件 OCR/文本层完全一致（允许空白差异），不一致即打回重新生成；日期不合规（晚于优先权日且非 §102(b) 类例外）的引用不得进入 §102/§103 论证。该对象设计直接对标官网承诺：引文逐字、直链源 PDF 页面、数秒核验。

侵权分析

第一，检索目标从文献域转向产品域：Product Discovery Agent 以要素关键词 + 技术领域在网页/电商/文档/视频/代码域检索竞品，输出候选公司-产品对，并按与全部要素的联合相关性排序（对应官网：为单个专利或整个组合发现谁在使用你的专利）。第二，证据采集器增加网页存档时间戳与版本追踪，产品页变化触发增量重评。第三，映射矩阵按三档解释分别计算：M_interpretation[element, product, evidence]，claim chart 视图允许切换解释档并高亮结论翻转的要素（这是 Stilta 2026-06 功能的扩展设计）。输出物包含：逐产品 claim chart、缺口清单、证据充分性评级、监控订阅建议。

图表索引

第一部分 架构设计

1.1 系统分层架构

五层架构：前端展现层 → API 网关层 → 编排层 → 智能体层 → 资源层，横切企业级关注点。

graph TB
    subgraph FE["前端展现层 · Vue3 SPA (Vite 构建, 后端 :8000 托管 dist)"]
        Shell["ShellView 双栏外壳<br/>路由 / 与 /run/:id"]
        ChatP["ChatPanel 左1/3对话流<br/>消息卡/智能体直播/会话抽屉/📎上传"]
        WB["工作台 右2/3<br/>Overview · PriorArt · ClaimChart · Findings"]
        i18n["i18n 中英双语"]
        APIJ["api.js<br/>fetch封装(X-User-Id) + SSE消费"]
        Shell --> ChatP
        Shell --> WB
        ChatP --> APIJ
        WB --> APIJ
    end

    subgraph GW["API 网关层 · FastAPI"]
        MW["中间件链<br/>RequestContext(请求ID/用户,最外层) → RateLimit(令牌桶) → CORS"]
        R1["routers/chat 对话SSE"]
        R2["routers/runs 分析CRUD+steer+resume"]
        R3["routers/conversations 会话+上传"]
        R4["routers/figures 附图代理"]
        R5["routers/stream 运行SSE + health/metrics/probe"]
        MW --> R1 & R2 & R3 & R4 & R5
    end

    subgraph ORCH["编排层"]
        ORC["Orchestrator 黑板状态机<br/>invalidity / infringement 两条流水线"]
        EVT["EventBus 进程内发布订阅<br/>+2000条/run事件历史"]
        CTX["_active_ctx 运行态上下文<br/>(steering 收件箱)"]
        ORC --> EVT
    end

    subgraph AGENTS["智能体层 · BaseAgent(预算护栏+步骤事件+法域注入)"]
        A1["IntentAgent"]
        A2["ClaimParser"]
        A3["SearchStrategist"]
        A4["EvidenceHunter"]
        A5["ElementMapper"]
        A6["CitationVerifier"]
        A7["InvalidityReasoner"]
        A8["ProductDiscovery"]
        A9["DeepSearchAgent"]
        A10["ReportGenerator"]
    end

    subgraph RES["资源层"]
        C1["GLMClient glm-5.3-flashx<br/>chat/chat_json/chat_stream"]
        C2["WebSearchClient GLM web_search"]
        C3["ZhihuiyaClient 智慧芽<br/>P002/P008/P069/P018/P012/P015/P021"]
        DB[("SQLite aiosqlite<br/>runs/agent_steps/conversations<br/>uploads/chat_messages/findings")]
        REDIS[("Redis Stream<br/>wf:llm_tokens")]
    end

    subgraph ENT["企业级横切 · enterprise/"]
        E1["resilience 重试+熔断"]
        E2["metrics Prometheus"]
        E3["middleware 限流/请求上下文"]
        E4["token_metrics token计量"]
        E5["logging_config JSON日志+contextvars"]
    end

    subgraph EXT["外部服务"]
        GLM["智谱 bigmodel API"]
        ZHY["智慧芽 connect.zhihuiya.com"]
    end

    APIJ -->|"REST + SSE"| MW
    R1 & R2 --> ORC
    ORC --> AGENTS
    AGENTS --> C1 & C2 & C3
    C1 & C2 -->|"resilient_call"| GLM
    C3 -->|"resilient_call"| ZHY
    ORC --> DB
    E4 --> REDIS
    R5 --> EVT
    EVT -->|"SSE /runs/:id/events"| APIJ
    E1 -.包裹.-> C1 & C2 & C3
    E2 -.采集.-> C1 & C2 & C3 & GW

要点

• 中间件执行顺序（Starlette 后添加者最外层）：RequestContextMiddleware（request_id/user_id contextvars）→ RateLimitMiddleware（仅 /api 路径，按客户端 IP 令牌桶）→ CORS → 路由。
• 单实例进程内架构：EventBus、_active_ctx、token 内存聚合均为内存态；水平扩展需引入 Redis Pub/Sub（见 §4 DESIGN.md 限制）。

1.2 核心架构模式：黑板 + 事件溯源

智能体之间不直接调用，全部通过黑板（Run.blackboard JSON 列）读写协作；每次可观察状态迁移发布具名事件，前端凭事件流驱动 UI——事件既是实时通道，也是可回放的执行日志。

graph LR
    subgraph AG["智能体（只读写黑板）"]
        CP["ClaimParser"]
        SS["SearchStrategist"]
        EH["EvidenceHunter"]
        EM["ElementMapper"]
        CV["CitationVerifier"]
        IR["InvalidityReasoner"]
        PD["ProductDiscovery"]
        RG["ReportGenerator"]
    end

    BB[("黑板 Blackboard<br/>elements / queries / references<br/>mappings / coverage / gaps<br/>combinations / findings / report")]

    CP -->|"写 elements"| BB
    SS -->|"读 elements 写 queries"| BB
    EH -->|"读 queries 写 references"| BB
    EM -->|"读 elements×references 写 mappings"| BB
    CV -->|"改写 mappings.verify"| BB
    IR -->|"读 mappings 写 coverage/gaps/combinations"| BB
    PD -->|"写 product_leads"| BB
    RG -->|"写 report"| BB
    BB -->|"检查点 _checkpoint()"| DB[("SQLite runs.blackboard")]
    BB -->|"emit()"| EVT["EventBus → SSE"]

黑板带来的架构收益

1. 可恢复：黑板逐文献落库即检查点；恢复时以 mapped_ref_ids 差集跳过已完成工作。
2. 可观测：任一时刻 GET /runs/{id}/blackboard 得到全量中间态。
3. 可插拔：流水线步骤是编排器里的普通 await 调用，增删步骤不改智能体。

四条架构决策记录（ADR 摘要）

1.3 部署视图

graph TB
    subgraph HOST["单机部署（演示形态）"]
        UV["uvicorn :8000<br/>app.main:app"]
        subgraph APP["FastAPI 进程"]
            API["/api/* 路由"]
            SSE["SSE 长连接"]
            STATIC["StaticFiles 托管 frontend/dist<br/>+ SPA 404 回退 index.html"]
            BG["asyncio.create_task / BackgroundTasks<br/>后台运行 Orchestrator"]
        end
        SQLITE[("lawsight.db")]
        LOG[("logs/app.log JSON")]
    end
    subgraph OPT["可选组件"]
        R[("Redis :6379<br/>不可用时自动降级为日志告警")]
        PROM["Prometheus 抓取 /api/metrics"]
    end
    BROWSER["浏览器"] -->|"HTTP + SSE"| UV
    UV --> SQLITE
    UV --> LOG
    UV -.XADD token流水.-> R
    PROM -.抓取.-> UV
    UV -->|"出网 HTTPS"| BIGMODEL["open.bigmodel.cn"]
    UV -->|"出网 HTTPS"| ZHY["connect.zhihuiya.com"]

开发态：前端 bun run dev(:5173) 直连 :8000（CORS 白名单含 5173）；生产态：单服务 :8000 同时供 API 与静态资源，深链 /run/{id} 由 SPA 回退处理。

第二部分 详细设计

2.1 编排器与运行状态机（orchestrator.py）

Run 状态机：

stateDiagram-v2
    [*] --> created: POST /api/runs 或对话自动创建
    created --> running: /start 或对话槽位齐自动启动
    running --> awaiting_review: 流水线正常完成(99%)
    running --> stopped: steer stop → ctx.stop_requested
    running --> failed: 异常(bb.error + run_failed事件)
    stopped --> running: POST /resume 检查点恢复
    failed --> running: POST /resume 检查点恢复
    awaiting_review --> [*]: 律师审阅 / steer 引导

执行入口 execute() 的统一框架：

1. register_ctx 登记 steering 收件箱 + matter_var 设 run_id（token 计量按 matter 归集）。
2. 置 running、发 run_started 事件。
3. 按 module 分派 run_invalidity() / run_infringement()。
4. finally：写终态（stopped/awaiting_review/failed）、llm_calls、token_usage、黑板整体落库、发 run_completed、drop_ctx。

构造函数的恢复语义：黑板 setdefault 全部键；resolve_domain(jurisdictions, params.law_domain) 决定法域（US 默认，CN/EP 可选），law_prompt_block 生成注入所有系统提示的法定依据块。

进度上报协议 _progress(pct, stage, detail)：写黑板 progress → _checkpoint() 落库 → 发 progress 事件。进度规划：

检查点策略：恢复场景跳过解析（黑板已有 elements）；映射循环内每文献 _checkpoint()；检索异常仅发 log 事件不中断；_checkpoint 自身失败静默（不中断分析）。

_backfill_why_relevant：映射完成后为每篇文献生成「公开权N·要素M…：首个 rationale」的证据表说明列，无命中时回退标题。

2.2 黑板数据结构（事实 Schema）

无强校验，靠编排器 setdefault 与智能体约定维护。字段名即 API 契约。

{
  "module": "invalidity|infringement",
  "law_domain": "US|CN|EP",
  "round": 1,                          // 当前 gap 轮次
  "patent": {                          // load_patent 产物
    "pn": "US12003836B2", "title": "", "abstract": "",
    "patent_id": "智慧芽ID", "assignee": "", "pbdt": "公开日(检索截止)", "claims": [{"num":"1","text":"..."}]
  },
  "elements": [{                       // ClaimParser 产物
    "id": "md5(claim:order)[:12]", "claim_num": "1", "order": 1,
    "text": "要素原文 verbatim",
    "interp_broad": "…", "interp_narrow": "…", "interp_proposed": "…",   // 三档解释
    "key_terms": ["中英关键词≤8"], "function_summary": "剥离领域名词的功能语义",
    "is_112f": false
  }],
  "queries": [{ "element_id": "…", "perspective": "terms|functional|problem_solution|eou",
                "query": "…", "rationale": "…", "round": 1 }],
  "references": [{                     // 统一文献模型（三来源）
    "id": "md5(pn|url)[:12]", "source": "zhihuiya_patent|web|user_added|user_upload",
    "pn": "", "url": "", "title": "", "assignee": "", "pbdt": "", "apdt": "",
    "relevancy": "", "note": "", "text": "全文(claims≤9000|abstract≤4000|web≤6000)",
    "text_kind": "claims|abstract|web_page|user_supplied|user_upload",
    "why_relevant": "回填", "figure": {"url": "签名URL", "ts": 0}
  }],
  "mappings": [{ "element_id": "", "ref_id": "", "verdict": "met|not_met|uncertain",
                 "quote": "逐字摘录", "locus": "权利要求1|网页正文",
                 "rationale": "", "verify": "pass|warn|fail", "verify_reason": "" }],
  "coverage": { "<element_id>": [{"ref_id":"","quote":"","locus":""}] },   // 仅 met 且 verify∈{pass,warn}
  "gaps": ["<element_id>"],
  "combinations": [{ "primary_ref": "", "secondary_refs": [], "covered_elements": [],
                     "missing_elements": [], "motivation": "", "weakness": "",
                     "confidence": "low|medium|high" }],
  "s102_ref": "<ref_id>|null",
  "product_leads": [{ "company": "", "product": "", "evidence_hint": "",
                      "keywords_matched": [], "confidence": "" }],
  "findings": [{ "element_id": "", "reasoning_type": "s102|s103|gap|evidence_of_use",
                 "statement": "", "confidence": "high|medium|low", "verified": true,
                 "citations": [{"ref_id":"","quote":"","pn":"","url":"","locus":""}], "score": 0.0 }],
  "report": { "summary": "", "conclusions": [{"claim":"","basis":"","confidence":""}],
              "risks": [], "next_actions": [] },
  "progress": { "pct": 0, "stage": "", "detail": "" },
  "token_usage": { "calls": 0, "in": 0, "out": 0, "total": 0 },
  "active_interpretation": "interp_proposed",   // steer 写入
  "focused_elements": []                         // steer 写入
}

2.3 智能体详细设计

BaseAgent 公共契约（agents/base.py）：

• llm_json / llm_text：先查 budget_left()（params.llm_max_calls_per_run，默认 60，超限抛 RuntimeError）→ 计数 + 发 log 事件（purpose + 第 N 次调用）→ stage_var 注入计量 → 系统提示前缀 law_block。
• step(action, detail, status)：发 agent_step 事件 + 结构化日志。
• AgentContext：run_id / module / bb / params / llm_calls / stop_requested / notes。

InvalidityReasoner 组合搜索算法（确定性，测试锁定）：

1. build_coverage：仅 verdict=met 且 verify∈{pass,warn} 的映射计入覆盖。
2. search_combinations：构建 ref→覆盖要素集合；按覆盖数排序取前 2 个主参考；束搜索（beam=24，agenda 安全阀 400）扩展次要文献；得分 len(covered) − 0.15×(refs−1)；max_refs=3；找到首个全覆盖组合即止。
3. §102 快查：任一单篇覆盖全部要素 → s102_ref。
4. 最优组合再调 LLM 写 motivation/weakness/confidence。

2.4 客户端层详细设计

2.4.1 GLMClient：推理模型适配 + JSON 容错链

flowchart TD
    A["agent.llm_json(system, user)"] --> B{"budget_left()?"}
    B -->|"否"| B1["抛 RuntimeError 预算耗尽"]
    B -->|"是"| C["llm_calls+=1<br/>发log事件 / stage_var注入"]
    C --> D["chat(): _chat_once"]
    D --> E["resilient_call<br/>重试3次+退避+熔断(glm)"]
    E --> F{"空内容 或<br/>finish_reason=length?"}
    F -->|"是(思考耗尽预算)"| G["2× max_tokens 重试一次"]
    F -->|"否"| H["parse_json_block"]
    G --> H
    H --> I{"解析成功?"}
    I -->|"是"| J["返回结构化结果"]
    I -->|"否"| K["4× max_tokens 再调一次"]
    K --> L["parse_json_block 容错链"]
    L --> M{"成功?"}
    M -->|"是"| J
    M -->|"否"| N["抛 ValueError"]
    subgraph PCB["parse_json_block 容错链(顺序)"]
        P1["① ```json 围栏提取"] --> P2["② 整体 json.loads"]
        P2 --> P3["③ 首个平衡对象/数组截取"]
        P3 --> P4["④ 内层裸引号重转义<br/>(引号后非结构符则视为内容)"]
        P4 --> P5["⑤ 截断修复:回退裁切边界≤64<br/>去悬挂逗号/裸key(仅对象)→补全括号"]
    end
    L -.-> PCB

测试 test_core.py 锁定：围栏/前缀包裹/纯截断/裸引号/引号+截断叠加/数组尾元素保留/2×重试预算序列 [100,200]。

2.4.2 WebSearchClient：查询降级梯

search_std 对全词 AND——LLM 生成的 7~9 词长查询常 0 结果。0 结果时依次重试：去引号取前4词 → 前2词（源码注释标注 2026-11-02 实测验证）。已试集合去重。

2.4.3 ZhihuiyaClient：API 映射与批量

统一响应约定：status=false → ZhihuiyaError(error_msg, error_code)（如余额不足→运行快速失败）。

2.5 事件系统与 SSE 协议（events.py / stream.py）

graph LR
    subgraph SRC["发布方"]
        ORC["Orchestrator<br/>progress/run_*/steering"]
        AG["Agents<br/>agent_step/log/…"]
        CHT["chat.py<br/>chat_message"]
    end
    EMIT["emit(run_id, type, **data)"]
    BUS["EventBus<br/>history≤2000/run(超裁至1000)<br/>subscribers: Set&lt;Queue&gt;"]
    SSE1["GET /runs/:id/events<br/>from_index 回放 + 15s 心跳"]
    FE["前端 subscribeRunEvents<br/>EventSource 自动重连"]
    SRC --> EMIT --> BUS
    BUS --> SSE1 --> FE
    BUS --> HIST["GET /runs/:id/events/history<br/>(运维排查)"]

事件清单与载荷：

Chat SSE（POST /api/chat，fetch 手解析）：intent（意图+缺失槽位）、status（深搜进行中/降级）、delta（增量文本）、run_created/run_link（运行卡片/跳转）、error、done。

2.6 会话与意图路由详细设计（routers/chat.py）

会话模型：Conversation（标题自动 = 首条消息前 24 字；绑定 run 后改为「模块+专利号」）↔ Run 一对一可选；ChatMessage 双外键（conversation_id 为主，run_id 兼容）；Upload 文本抽取入库（见 §2.7）。

消息处理主干（详见流程图 §3.4）：

1. 加载会话与绑定 Run；绑定 Run → 系统提示注入 _blackboard_digest（专利/要素/文献/覆盖/组合/报告摘要）成为「运行内引导对话」；未绑定 → 走意图路由。
2. 意图分支各自持久化 assistant 回复并 return；user 消息统一在路由后落库。
3. 常规问答：命中时效关键词（最新/新闻/2025/2026/官网/价格…，运行内追加 搜索/查一下/联网）且 use_deep_search → DeepSearchAgent（1 轮 5 条）→ 摘要以 system 消息注入 → glm_client.chat_stream 增量输出。
4. 上传兜底：create_analysis 且无专利号/交底书 → 最新上传文本（>80 字）即交底书。

文件上传（conversations.py）：15MB 上限；txt/md/csv/json/xml/html 直接 UTF-8；PDF pypdf 前 120 页；DOCX zip 解 word/document.xml 正则剥标签；兜底可打印率 >0.85。会话已绑定 Run 时：抽取文本（≤9000 字）直接追加为 user_added 文献入比对池 + 发 reference_added。

2.7 数据模型与迁移（models.py / db.py）

六表：runs（blackboard JSON 列为核心）、agent_steps（run_id+created_at 索引，步骤回放）、conversations、uploads、chat_messages（conversation_id/run_id 双索引）、findings（run_id+created_at 索引，score 排序输出）。全部 32 位 hex UUID 主键、UTC 时间戳、级联删除。

轻量迁移 _migrate（无 Alembic）：PRAGMA 检列补 chat_messages.conversation_id、runs/conversations.user_id（回填 demo-user + 建索引）；旧 run 消息按 run_id 归并成会话，全局散消息归并为「历史对话」。

Finding（CitableFinding）落库规则：逐要素×覆盖映射 → s103（有组合时）或 s102，score=verify pass?1.0:0.6；硬缺口 → gap score 0.0 low；全覆盖组合 → s103 score 0.8，citations 列出主+次全部文献；侵权侧 evidence_of_use/gap。

2.8 企业级横切详细设计

2.8.1 弹性（resilience.py）

stateDiagram-v2
    [*] --> closed: 初始
    closed --> open: 连续失败≥5 或 half_open 再失败
    open --> half_open: 距 opened_at ≥ reset_seconds(30s)
    half_open --> closed: 探测成功(计数清零)
    half_open --> open: 探测失败

resilient_call(name, fn→(result, ok))：先 breaker.allow()（open 直接抛 CircuitOpenError）；尝试 ≤3 次，ok=False 视为提供方级失败（计熔断+重试）；异常经 default_retriable（Timeout/Transport/408/425/429/5xx）判定，不可重试立即抛；退避 0.8×2^(n-1) + U(0,0.3) 秒。按依赖独立熔断器：glm / glm_websearch / zhihuiya。

2.8.2 其余横切

2.9 前端详细设计（frontend/src）

组件树：

App.vue → ShellView（唯一视图, 路由 / 与 /run/:id）
├─ ChatPanel           消息流(user/assistant/event/upload/runcard 五种消息形态)
│                      会话抽屉(列表/新建/切换/删除) 📎上传 深搜开关 发送/停止键
├─ WelcomePanel        无运行时欢迎页+最近运行
├─ 工作台（activeRunId 存在时）
│  ├─ 头部：面包屑(PN+状态点) 进度条 三级页签 Secure/Privileged 徽章 停止/恢复按钮
│  ├─ OverviewPanel     进度/统计/token 用量
│  ├─ Evidence & Chart 子页签
│  │  ├─ PriorArtPanel        六列证据表：PN/标题/受让人/日期/类型/Why relevant + C1..Cn 覆盖条 + 附图缩略
│  │  └─ ClaimChartMatrix     矩阵：行=Limitation(按 CLAIM 分组) 列=文献；三色(Strong绿/Partial琥珀/Gap灰)
│  │                          过滤(关键词/日期基准/来源/强度) + Broad|Proposed|Narrow 档位切换(→steer)
│  └─ FindingsPanel     report 摘要/结论/风险/行动 + 组合论证 + §102 候选

状态管理：无 Pinia，ShellView 本地 ref 集中持有 runs/sessions/activeConversation/activeRunId/run/bb/progress/interp，props 下发 + emit 上抛。数据新鲜度 = SSE 事件触发 refresh() + 6s setInterval 兜底；EventSource 自动重连，from_index 支持断线续播。

双 SSE 消费：运行事件用 EventSource（subscribeRunEvents 显式注册 15 种事件）；对话用 fetch reader 手解析帧（streamChat，POST 体无法用 EventSource）。

2.10 配置项清单（config.py，.env 覆盖）

第三部分 流程图汇总

3.1 端到端时序：对话发起分析 → 工作台实时展示

sequenceDiagram
    autonumber
    actor U as 用户
    participant CP as ChatPanel
    participant CHAT as POST /api/chat
    participant IA as IntentAgent
    participant GLM as GLM(智谱)
    participant ORC as Orchestrator(后台task)
    participant ZHY as 智慧芽
    participant BUS as EventBus
    participant SV as ShellView/工作台
    participant DB as SQLite

    U->>CP: "分析 US12003836B2 的无效性"
    CP->>CHAT: SSE 请求
    CHAT->>IA: history + message
    IA->>GLM: 意图识别+槽位抽取(llm_json)
    GLM-->>IA: intent=create_analysis 槽位齐
    CHAT->>DB: 建 Run(created)
    CHAT->>ORC: asyncio.create_task(execute)
    CHAT-->>CP: event: run_created(运行卡片)
    CP->>SV: openRun(run_id) → 路由 /run/:id
    SV->>BUS: EventSource /runs/:id/events

    Note over ORC: 黑板流水线(见 §3.2)
    ORC->>ZHY: P069→P018 加载专利/权利要求
    ORC->>GLM: ClaimParser 等各智能体调用
    ORC->>DB: _checkpoint() 逐文献落库
    ORC->>BUS: progress/agent_step/reference_added/coverage_updated…
    BUS-->>SV: SSE 事件
    SV-->>CP: pushAgentEvent(智能体直播)
    SV->>SV: refresh() 拉取 blackboard 更新面板

    ORC->>DB: 终态 awaiting_review + findings 落库
    ORC->>BUS: run_completed(status, llm_calls, token_usage)
    SV->>SV: 刷新工作台(Claim Chart/Findings 就绪)
    U->>SV: 律师引导: 换解释档/聚焦/补文献(steer)

3.2 无效性分析主流程（run_invalidity）

flowchart TD
    S(["开始 run_invalidity"]) --> RES{"黑板已有 elements?<br/>(检查点恢复)"}
    RES -->|"是"| SKIP["跳过解析<br/>进度20% 恢复模式"]
    RES -->|"否"| LP["load_patent: P069解析pn→P018权利要求<br/>(失败降级P012题录; 无pn=交底书模式)"]
    LP --> CP["ClaimParser: 要素拆解+三档解释<br/>+key_terms/function_summary (空结果重试1次)"]

    SKIP --> ROUND["gap轮循环 round=1..1+max_gap_rounds"]
    CP --> ROUND
    ROUND --> SS["SearchStrategist: 每要素三视角查询<br/>(缺口轮仅gaps且换表述)"]
    SS --> SRC["双通道检索: 每要素<br/>P008语义(建议解释,pbd_to截止,limit4)<br/>+ P002检索式(每查询limit3)"]
    SRC --> DEDUP["pn去重 + 剔除本专利"]
    DEDUP --> EH["EvidenceHunter: P018批量取权要求<br/>→P012批量补题录→仍无文本丢弃"]
    EH --> MAPLOOP["映射循环: todo_refs = 全部文献 - mapped_ref_ids"]
    MAPLOOP --> EM["ElementMapper: 每文献1次LLM覆盖全部要素<br/>三态判定+逐字quote (异常仅记log)"]
    EM --> CKP["_checkpoint() 落库"]
    CKP --> MAPLOOP
    MAPLOOP -->|"全部完成"| CV["CitationVerifier: 逐字核验<br/>fail的met→uncertain (§3.5)"]
    CV --> WHY["_backfill_why_relevant 回填证据表说明"]
    WHY --> IR["InvalidityReasoner:<br/>coverage矩阵+gaps识别<br/>+§102单篇全查 +§103贪心集合覆盖组合<br/>+LLM写motivation(Graham/KSR)"]
    IR --> GAP{"仍有 gaps 且<br/>未到轮次上限?"}
    GAP -->|"是"| ROUND
    GAP -->|"否"| RG["ReportGenerator: 执行摘要/结论/风险/行动"]
    RG --> FD["_build_findings: s102/s103/gap 落 Finding 表"]
    FD --> DONE(["进度99% → awaiting_review"])

    STOP["steer stop → ctx.stop_requested"] -.打断循环.-> MAPLOOP
    STOP -.打断.-> SRC

3.3 侵权分析主流程（run_infringement）

flowchart TD
    S(["开始 run_infringement"]) --> LP["load_patent: P069→P018(无pn则交底书伪claim1)"]
    LP --> CP["ClaimParser 要素拆解+三档解释 (20%)"]
    CP --> PD["ProductDiscovery (35%):<br/>深搜候选公司产品(1轮5条)→LLM结构化leads≤6<br/>(失败→检索结果直出低置信线索)"]
    PD --> Q["取前4条线索构造EOU查询:<br/>公司+产品+首要素key_terms前3"]
    Q --> WEB["EvidenceHunter.run_web (55%):<br/>每查询GLM web_search 4条→URL去重入库"]
    WEB --> MAP["映射循环(前8条web文献):<br/>ElementMapper逐证据比对→CitationVerifier核验"]
    MAP --> GAPA["缺口分析: verdict=met的要素为覆盖<br/>其余=决定性缺口(gaps) → coverage_updated"]
    GAPA --> RG["ReportGenerator.run_infringement:<br/>claim chart 满足度摘要+建议行动"]
    RG --> FD["_build_findings: evidence_of_use / gap"]
    FD --> DONE(["进度99% → awaiting_review"])

3.4 Chat 意图路由流程（routers/chat.py）

flowchart TD
    IN(["POST /api/chat message"]) --> BIND{"会话已绑定 Run?"}
    BIND -->|"是"| DIGEST["系统提示注入黑板摘要<br/>→ 运行内引导对话"]
    BIND -->|"否"| IA["IntentAgent(近8轮历史+当前消息)<br/>失败→关键词规则兜底"]
    IA --> UP{"create_analysis 且<br/>无pn无交底书?"}
    UP -->|"有最新上传>80字"| FILL["上传文本=交底书<br/>移除patent_input缺失"]
    UP -->|"否"| INT
    FILL --> INT{"intent?"}

    INT -->|"create_analysis"| MS{"missing_slots?"}
    MS -->|"空(齐)"| CREATE["建Run + create_task启动编排器<br/>绑定会话(标题=模块+PN)<br/>SSE: run_created → 对话卡片直达工作台"]
    MS -->|"module/patent_input"| ASK["追问一项(missing_slots)<br/>SSE: delta → done"]
    INT -->|"resume_run"| RES{"找到 stopped/failed 且<br/>有elements检查点<br/>且无活跃ctx?"}
    RES -->|"是"| RSM["Orchestrator续跑 + 绑定会话<br/>SSE: run_created + 检查点摘要回复"]
    RES -->|"否"| RNO["回复无可恢复分析"]
    INT -->|"view_run"| VIEW["按pn/最近定位Run → 绑定会话<br/>SSE: run_link → 跳工作台"]
    INT -->|"general_qa/help"| QA

    QA["常规问答: 命中时效关键词且use_deep_search?<br/>→DeepSearchAgent(1轮)→摘要注入system消息"]
    QA --> STREAM["glm_client.chat_stream 增量输出<br/>SSE: delta… → done; 落库assistant消息"]
    DIGEST --> QA
    CREATE --> PERSIST["user消息统一落库"]
    ASK --> PERSIST
    RSM --> PERSIST
    RNO --> PERSIST
    VIEW --> PERSIST

3.5 引用核验与降级流程（CitationVerifier.verify）

flowchart TD
    A(["verify(quote, ref.text)"]) --> B{"quote 非空?"}
    B -->|"否"| FAIL(["fail: empty quote"])
    B -->|"是"| N["归一化: 空白折叠→弯引号/中文标点转ASCII→casefold"]
    N --> C{"归一化quote ⊆ 归一化原文?"}
    C -->|"是"| PASS(["pass"])
    C -->|"否"| F["模糊匹配: quote前缀窗口≤120字符<br/>与原文最长公共匹配 / 窗口长"]
    F --> G{"比值 ≥ 0.97?"}
    G -->|"是"| WARN(["warn: 轻微空白/标点漂移"])
    G -->|"否"| FAIL2(["fail: quote not found (匹配度%)"])

    PASS & WARN & FAIL2 --> H["写回 mapping.verify / verify_reason"]
    H --> I{"verdict=met 且 verify=fail?"}
    I -->|"是"| J["降级: met→uncertain<br/>rationale前缀'[引用核验未通过]'<br/>步骥标记degraded"]
    I -->|"否"| K["保持"]
    J & K --> L["下游: 仅 met且verify∈{pass,warn} 计入coverage<br/>Finding.verified = verify∈{pass,warn}<br/>score: pass=1.0 / warn=0.6"]

3.6 检查点恢复流程

flowchart TD
    TRG(["触发: 工作台恢复按钮 / POST /resume / 对话说'继续分析'"]) --> V1{"Run 存在?<br/>user_id 匹配?"}
    V1 -->|"否"| E404["404/403"]
    V1 -->|"是"| V2{"status?"}
    V2 -->|"awaiting_review"| E409a["409 已完成,直接引导"]
    V2 -->|"running 或活跃ctx"| E409b["409 正在运行"]
    V2 -->|"stopped/failed"| V3{"黑板有 elements?"}
    V3 -->|"否"| E422["422 无检查点保护<br/>(解析未完成,不可恢复)"]
    V3 -->|"是"| GO["status=running + 发run_resumed事件<br/>+ 后台启动Orchestrator"]

    GO --> R1["恢复语义①: 跳过ClaimParser<br/>(直接用黑板elements,进度20%)"]
    R1 --> R2["恢复语义②: 检索去重<br/>seen_pn=已有文献pn集合"]
    R2 --> R3["恢复语义③: 映射差集<br/>todo_refs=全部文献-mapped_ref_ids"]
    R3 --> R4["续跑: 检索→抓取→未完成映射→核验→推理→报告"]

3.7 前端 SSE 事件处理流（ShellView.attachSSE）

flowchart TD
    A(["EventSource /runs/:id/events?from_index=N"]) --> B{"event.type"}
    B -->|"agent_step 且 status≠ok"| C["ChatPanel 直播行: agent action status"]
    B -->|"log"| D["ChatPanel 直播行: message<br/>(每次LLM调用/检索失败可见)"]
    B -->|"elements_ready"| E["直播'已解析N个要素' + refresh()"]
    B -->|"reference_added"| F["直播'新增文献PN' + refresh()"]
    B -->|"coverage_updated"| G["直播'覆盖X% 缺口N个' + refresh()"]
    B -->|"progress"| H{"stage 变化?"}
    H -->|"是"| I["直播'阶段 PCT% · detail' + 更新进度条"]
    H -->|"否"| J["仅更新进度条"]
    I & J --> K{"pct ≥ 99?"}
    K -->|"是"| L["refresh()"]
    B -->|"run_completed / run_failed"| M["直播终态 + refresh()<br/>(拉取最终黑板与findings)"]
    B -->|"其他(patent_loaded/…) "| N["忽略"]

    C & D & E & F & G & L & M --> O["refresh(): 并行拉 getRun + blackboard<br/>→ 驱动 Overview/PriorArt/ClaimChart/Findings"]
    P["6s setInterval 兜底轮询"] --> O
    Q["EventSource onerror 自动重连<br/>from_index 断线续播"] --> A

附：可靠性设计速查

4. 系统概述

定位：用户在左侧对话中用自然语言发起分析（如"分析 US12003836B2 的无效性"），系统自动完成意图识别 → 槽位抽取 → 创建并启动多智能体分析流水线；右侧工作台实时展示证据表、Claim Chart 矩阵与可引用发现（Findings）。

核心设计理念（三条主线）：

技术栈：FastAPI + SQLAlchemy(async) + httpx（后端）；Vue3 + Vite + Element Plus + ECharts（前端）；GLM glm-5.3-flashx（推理模型）、GLM web_search（联网）、智慧芽开放平台（专利数据）。

4. 核心机制

4.1 黑板（Blackboard）

Run.blackboard（JSON 列）是系统的中枢数据结构：

patent{pn,title,claims}  elements[]（要素：text + 三档解释 + key_terms + function_summary + is_112f）
queries[]（三视角检索计划）  references[]（文献：patent/web/user_added，含全文 text）
mappings[]（要素×文献：verdict 三态 + quote + locus）  coverage{element_id→[met 映射]}
gaps[]（硬缺口要素）  combinations[]（§103 组合 + motivation 论证）  s102_ref
product_leads[]（侵权侧线索）  findings[]  report{}  progress{pct,stage}  token_usage  law_domain

• 智能体只读写黑板，彼此不直接调用 → 流水线步骤可插拔、可恢复。
• _checkpoint() 在关键节点（逐文献映射后、进度更新时）整体落库，配合 mapped_ref_ids 跳过已完成文献 → 停止/失败后可从检查点续跑（POST /runs/{id}/resume 或对话说"继续分析"）。

4.2 事件总线与实时性

• EventBus（进程内）：emit(run_id, type, **data) → 订阅队列 + 每 run 最多 2000 条历史（支持 SSE 断线 from_index 回放）。
• 每个可观察状态迁移都是具名事件：run_started / agent_step / progress / patent_loaded / elements_ready / reference_added / coverage_updated / combinations_ready / citations_verified / steering_applied / run_completed / run_failed 等。
• SSE 两条通道：GET /runs/{id}/events（运行事件，15s 心跳保活）与 POST /chat（对话增量 delta/intent/run_created/run_link）。前端 EventSource 自动重连 + 6s 轮询兜底。

4.3 Chat-first 意图路由（routers/chat.py）

会话未绑定 Run 时，每条消息先过 IntentAgent：

鲁棒性：LLM 意图失败降级为关键词规则（模块词/视图词/恢复词表 + 专利号正则 _PN_RE 兜底）；上传文件（txt/md/pdf/docx 解析文本）可作为交底书替代专利号；会话绑定 Run 后上传自动入对照文献池。

5. 智能体流水线

所有智能体继承 BaseAgent：llm_json/llm_text 强制走预算护栏（llm_max_calls_per_run，默认 60 次）、每次调用发 log 事件、系统提示统一前缀注入法域块（US §102/§103+Phillips / CN 专利法 22 条三步法 / EP Art.54/56，law_domains.py）。

5.1 无效性（invalidity）

load_patent（P069 解析 pn → P018 权利要求，失败降级 P012 题录）
→ ClaimParser      权利要求 → 要素拆解 + 三档解释（broad/proposed/narrow）+ key_terms/function_summary；空结果自动强指令重试
→ [gap 轮循环 ≤ 1+max_gap_rounds]
   → SearchStrategist   每要素三视角查询（terms/functional/problem_solution），缺口轮换表述
   → 双通道检索          P008 语义（要素建议解释为查询）+ P002 检索式；按 pn 去重、剔除本专利
   → EvidenceHunter     P018/P012 批量抓取全文（2 次往返替代 N×2），批量失败降级逐条
   → ElementMapper      每文献一次 LLM 调用覆盖全部要素（保全文上下文），三态判定 + 逐字 quote；缺失要素补 not_met
   → CitationVerifier   逐字核验：归一化(空白/中英标点/casefold)包含匹配；前缀 97% 模糊 → warn；fail 则 met→uncertain
   → InvalidityReasoner 覆盖矩阵 + 缺口识别 + §102 单篇全查；§103 组合 = 带束界的贪心集合覆盖（score = 覆盖数 − 0.15×文献数）
                        最优组合再让 LLM 写 motivation to combine（Graham/KSR，含 teaching-away 弱点）
→ ReportGenerator  执行摘要/结论/风险/建议行动（仅可引用给定材料）
→ _build_findings  逐要素发现落库（s102/s103/gap，带 citations、score、verified）

5.2 侵权（infringement）

load_patent → ClaimParser
→ ProductDiscovery   深搜发现候选公司/产品线索（LLM 结构化，失败降级检索结果直出）
→ EvidenceHunter.run_web   目标公司×产品×要素关键词 → 网页证据（EOU）
→ ElementMapper + CitationVerifier（同上，对 web 证据）
→ 缺口分析（verdict=met 的要素为覆盖，其余为决定性缺口）
→ ReportGenerator（run_infringement）+ Findings（evidence_of_use / gap）

5.3 DeepSearchAgent（通用工具）

plan → search → reflect 循环（第 2 轮针对缺口补查、避免重复查询），供侵权产品发现、公开出版物的补充现有技术与对话联网问答使用。

6. 工程质量设计（enterprise/）

7. 关键设计决策与权衡

1. 黑板而非消息传递：智能体间解耦、天然可检查点、JSON 单列即可持久化（SQL 无 schema 演进负担）；代价是黑板结构靠 setdefault 约定维护，无强 schema 校验。
2. 每文献一次映射调用（而非每要素）：模型看到文献全文上下文，判定更准、调用数 = 文献数；配合逐字核验兜住幻觉。
3. 集合覆盖用确定性算法（贪心+束界），动机论证用 LLM：组合搜索可复现可测试，法律修辞交给模型——各用所长。
4. 降级链贯穿始终：意图→规则、批量→逐条、检索长查询→短查询、met→uncertain、Redis→日志。外部依赖故障表现为快速失败 + 明确错误，不阻塞服务。
5. 进程内 EventBus + 单实例假设：简单可靠，但水平扩展需换 Redis Pub/Sub；运行态 ctx（steering inbox）也是内存态，重启丢失（靠黑板检查点补偿）。
6. 单模型多角色：所有智能体共用 GLM 一个模型，靠系统提示（+法域块）分化角色；未做模型路由/分级。