AI 自动化字段录入

这个能力对应当前后端中的 POST /api/endpoints/chat/field_input。它的目标是把自然语言、语音或图片中包含的结构化信息，映射到 protocol 的字段上。

一个简单例子

假设 protocol 中定义了如下字段：

txt

实验者名字：{{var|experimenter_name}}
实验室温度：{{var|lab_temperature}}
实验室湿度：{{var|lab_humidity}}

对应的模型大致是：

from pydantic import BaseModel


class VarModel(BaseModel):
    experimenter_name: str
    lab_temperature: float
    lab_humidity: float

那么后端就可以拿到字段的 JSON Schema，并据此把用户输入转换为结构化操作。

Airalogy Protocol 记录界面

技术流程

mermaid

sequenceDiagram
    participant User as 用户
    participant Frontend as AI 交互前端
    participant Backend as AI 后端
    participant Record as 数据记录端

    User->>Frontend: 输入文本/语音/图片
    Frontend->>Backend: 发送字段录入请求
    Backend->>Backend: 基于字段 schema 解析用户意图
    Backend->>Record: 下发结构化操作指令
    Record->>Backend: 返回每条操作的处理结果
    Backend->>Frontend: 返回可展示的响应
    Frontend->>User: 呈现填写结果

操作指令

后端生成的核心结果通常是一组操作，例如：

json

{
  "operations": [
    {
      "operation": "update",
      "field_id": "experimenter_name",
      "field_value": "张三"
    },
    {
      "operation": "update",
      "field_id": "lab_temperature",
      "field_value": 25.0
    }
  ]
}

其中：

field_id 对应字段 schema 中的键
field_value 是模型从用户输入里抽取出的值
operation 表示动作类型，常见为 update

返回结果

记录端处理完操作之后，通常会返回逐条 acknowledge：

json

{
  "operation_results": [
    {
      "success": true,
      "field_id": "experimenter_name",
      "field_value_updated": "张三",
      "message": "The value of experimenter_name has been set."
    }
  ]
}

如果值类型不符合 schema，或字段不存在，success 就应为 false，并由 message 给出失败原因。

与对话结构的关系

从对话建模角度看，字段录入仍然可以被视为一次标准工具调用：

用户描述要填写的信息
assistant 发起 field_input 工具调用
tool 返回结构化操作结果
assistant 再把结果转换成对用户友好的确认信息

这使得字段录入既能复用统一的消息结构，也能保留结构化执行结果。

AI 自动化字段录入 ​

一个简单例子 ​

技术流程 ​

操作指令 ​

返回结果 ​