26天、约73亿Token,我要做最好的开源HaoEMR8 月 11 日，开始闭关，我在 Codex 里敲下了一句话：我要做一个国内最好的开源 EMR。 到 9 月 6 日，过去了 26 天。需求、产品、架构和验收由我来定，代码主要交给 Codex 和 DeepSeek harness。现在，这个项目叫 HaoEMR ，已经开源。 门诊、急诊、住院，病历书写、质量管理、AI 优质文章刘浩南收藏原文13.5 KB
477项测试全过,我却想把这套EMR推翻重来先把 HaoEMR 现在的技术结构放在这里。前端、后端、数据和算法都比较符合目前国内技术要求。架构这一块我让Codex和Deepseek harness相互争论并结合国内信创要求所得。技术方面在各位大佬面前实在是“班门弄斧”了🙏🏻 Vue 3、TypeScript 和 Vite 负责页面与构建，Vue RouteAI 优质文章刘浩南收藏原文17.4 KB
EVA搭载了58个AI医助能力,关于HaoEMR的Harness设计探索它们现在可以读取授权范围内的资料，调用真实模型，返回带依据的候选结果。文书类医助还能给出可编辑的段落，由医生决定采用哪些内容。 9 月 6 日，在独立合成病例环境中，58 个AI子医助逐项完成了真实 DeepSeek 调用；候选转提醒、转任务、领取和确认关闭也逐项验证。10 类文书医助另外验证了段落采用与文书版本保存AI 优质文章刘浩南收藏原文13.3 KB
用 AI 做了半年产品,一大半没人要我独立做产品这半年，硬盘里攒了二十多个项目。前几天挨个点开看，能算有人在用的，一只手数得过来。剩下的，做完那天之后就再没打开过。有几个我连它是干嘛的都忘了，得点进去翻半天代码，才想起来当初为什么兴奋。 半年前我不这样。那时候做个东西，光搭环境就得两天，动手前我会先掂量值不值。现在 AI 把这步免了，我下午三点有个念头AI 优质文章刘浩南收藏原文12.3 KB
(大白话)医疗Agent最佳实践路径:Prompt + Workflow/SOP + Knowledge Base + LLM/DSLM + Tools + Evaluation这些年参与构建多个面向三级医院专科Agent，面向基层医院辅诊Agent，面向医生检后辅助Agent，面向医检实验室流程Agent，医检企业内部提效Agent……最近也接到3个医疗健康方向Agent构建的咨询，借着假期空档，梳理最佳实践路径如下 在现有的LLM（大语言模型）或者DSLM（专科大模型），再或者SLM（小AI 优质文章刘浩南收藏原文12.6 KB
医疗知识库两个实践建议:医生怎么自建?医院怎么管好?书接上回，“Knowledge Base 决定答案准确性”，事实上很难做好知识库管理，但目前接的项目而言，知识库又是客户必选的核心功能模块，所以今天对这个问题做一个实践总结如下，如有不妥欢迎评论补充。 很多医生电脑里应该都有类似的文件夹：“指南”“最新指南”“指南最新版”“2026最新指南”。再加上微信收藏、文件传输AI 优质文章刘浩南收藏原文13.9 KB
有效的调研不是瞎聊或者要几份资料,医疗Agent怎么做专家访谈?医疗Agent的六大核心组成，其中Workflow/SOP是比较难梳理的一部分，难点主要是怎样去做好访谈调研。我见过挺多调研现场，可能就跟专家和他的团队聊几句，然后拿几份资料就结束了。这样子会导致后期的需求出现比较大的偏倚。 最近整理项目经验材料时，我发现除了产品经理常规调研的方法论以外，还可以借鉴企业数字化转型中已AI 优质文章刘浩南收藏原文12.3 KB
(Free)区域妇幼健康服务解决方案前段时间有位客户找我聊区域妇幼健康管理平台。线上交流了建设想法，也发来一些资料，后来项目就没有进一步推进。方案倒是已经梳理了，分享给正在做妇幼信息化、区域医疗协同的同行。各地妇幼保健体系和现有系统差异较大，具体建设范围还需要结合当地情况确定—— 方案主要面向区域卫健管理部门、妇幼保健机构、医院妇产儿相关科室和基层医疗AI 优质文章刘浩南收藏原文38.0 KB
开发后才是分水岭:测试、安全、部署、文档如何让独立项目真正可交付仍以资料问答工作台为假设样例。把时间推到发布前一晚：评测集中出现了一次越权引用；修复后需要重建索引；当前部署又从没真正演练过回滚。测试、安全、DevOps 和文档就是在这一刻连成了一条线。下面讲的不是某次真实事故，而是把常见发布风险压缩到同一条故障链里。 先回到那次越权引用。S009 要追到它对应哪条权限需求、哪一个医疗企业转型刘浩南作者原文10.5 KB
Uber如何高效运营大规模软件工厂AI（人工智能）工具如今已经嵌入Uber软件开发的每一个阶段。超过70%的PR（Pull Request，代码合并请求）被归因于本地或云端智能体。工程师已经围绕整个软件开发生命周期构建了3600多个智能体Skill（技能），每天的智能体Skill执行次数超过3万次。 在AI Engineer 2026大会上，我们分享医疗企业转型刘浩南作者原文25.5 KB
Running a Software Factory Efficiently at Uber ScaleAI tools are now embedded in every phase of software development at Uber. More than 70% of pull requests are attributed to local or cloud agents. Engineers haveAI 优质文章www.uber.com收藏原文26.5 KB
GraphRAG 不靠“新”:企业 AI 真正需要的是关系、证据和边界过去两年，很多企业做 AI 应用的第一反应是 RAG：把文档切块、向量化、塞进向量库，再让大模型根据相似片段回答。 但一旦问题变复杂，向量 RAG 很快会露出短板。比如在医药研发和医疗场景里，用户真正想问的往往不是“哪一段文字最像我的问题”，而是： 这个药物和哪些靶点、疾病、人群、试验、指南证据有关？这些关系从哪里AI 课程与技术刘浩南作者原文16.2 KB
【经验分享】从0到1做一款知识学习小程序:日历跨度、实操工时与上线复盘之前文章里的“20 天”，只计算了服务器重新处理到小程序提交审核这一段，不是整个产品从 0 到 1 的总开发时间。这次补充完整口径后，项目资料可追溯的时间跨度是 2026 年 3 月 17 日到 8 月 7 日，约 144 个日历日；但这绝不等于 144 天全职开发。 这里需要把三种时间分开：文档或代码记录到的日历跨产研经验刘浩南作者原文18.7 KB
OpenAI 最新技术分享:AI 正在怎样参与真正的数学研究这次选题我没有继续碰今天已经生成的那篇文章，也没有再选 GitHub 项目或纯评测。新的对象只锁定 OpenAI 官方在 2026 年 8 月 1 日发布的这篇 Publication： Ten advances in mathematics and theoretical computer science OpeAI 课程与技术刘浩南作者原文12.3 KB
最新 AI Native 分享:真正的分水岭,不是模型能力,而是基础设施本周按“AI native”重新检索后，我没有优先选医疗，也没有选 GitHub 项目。原因很简单：当前最新、公开、标题直接命中 AI-native，而且技术内涵足够硬的一手分享，是 DAC 2026 TechTalk 里的这场： DAC 页面给出的时间是 2026 年 7 月 28 日 11:15-12:00，地点AI 课程与技术刘浩南作者原文34.8 KB
17个SDD Skill短视频口播稿:给 Codex 配 17 个数字员工我最近用 SDD 做了两个复杂项目，发现 AI 写代码已经很快了，但一个产品真正难的，从来不只是写代码。 值不值得做、需求怎么定、页面怎么画、架构怎么选、任务怎么拆、上线怎么退，这些事如果全塞给一个 AI，它很容易一边猜、一边干，最后看起来进度飞快，实际返工不断。 所以我给 Codex 配了 17 个 Skill，医疗企业转型刘浩南作者原文17.0 KB
Codex开始写代码后,我用7个Skill守住同一套上下文下面仍以“资料问答工作台”为假设样例：管理员导入部门文档，成员在权限范围内获得带引用的回答。它不是某个真实项目的复盘，而是为了把删除传播、接口错误、Agent 权限和流式状态放进同一条链路里。下面七个 Skill 覆盖从详细设计到代码实现的完整过程。 一条“提问并返回引用”的链路至少跨越四层握手面：S005-1 规定医疗企业转型刘浩南作者原文14.8 KB
开发前最容易跳过的6步:独立开发者如何用SDD先把方向定对假设你要做一个面向团队的“资料问答工作台”：管理员导入一组内部文档，成员提问后获得带来源引用的答案；管理员能控制哪些人能看哪些资料，并能追踪失败问答。这个样例足够小，能由独立开发者完成；也足够真实，会逼出权限、数据删除、Agent 工具、流式交互和发布回滚这些问题。 这六个 Skill 不需要同时开工。先看项目缺的是医疗企业转型刘浩南作者原文12.6 KB
我给Codex做了17个Skill,真正有用的是这条研发流水线前两天，我连续分享了两个自己做的产品。产品文章展示的是最后能看见、能运行的结果，但我更想补上中间那段通常不会出现在截图里的过程：一个模糊想法怎样被拆成需求，页面、接口和 Agent 怎样对齐，代码写完后又凭什么敢发布。 接下来的四篇，我会把这套过程完整拆开。今天先从总览开始，讲清楚我为什么给 Codex 做了 17 医疗企业转型刘浩南作者原文16.9 KB
AI Engineer 2026:750+ 场专家分享里,大家到底在讲什么AI Engineer 官网放出了一份报告，标题是 The 10 Themes Defining AI Engineering in 2026。公开页面给出的描述很直接：这是一份 68 页报告，来自 6 场会议、750+ 专家分享、10000+ 参会者和 2000 万+观看量。 它不是一家公司单独写的趋势稿，也不是一AI 课程与技术刘浩南作者原文18.9 KB
DeepSeek 的 10 万亿美元大战略【译】作者：GDP (@bookwormengr) 标题：DeepSeek's 10 trillion USD grand strategy 他们没有像智谱（GLM）、月之暗面（MoonShot）和 MiniMax 那样推出有竞争力的编程订阅计划。他们没有多模态、语音或视频模型。时至今日，他们甚至连一个 Harness 都AI 优质文章@dotey收藏原文25.1 KB
2026 年 AI 编程三强横评:OpenCode / Claude Code / Codex(新人向)2026 年，模型能力的差距正在以每四到七个月缩短一半的速度收敛。真正拉开差距的，是模型外面那一层。你怎么编排它，怎么让多个 Agent 分工协作，怎么在对的任务上用对的模型，然后在你不看屏幕的时候它们还能不能继续工作。 我在这个领域折腾了很长时间，从深度使用 OpenCode + oh-my-openagent（OAI 优质文章@dashen_wang收藏原文24.4 KB
一文看懂 Harness Engineering,帮你的 AI 提效 10 倍他们提出了 ProgramBench，要求 AI 从零开始完整重建真实的开源软件项目，不允许联网，不看代码相似度，只验证最终行为。 结果是：Claude Opus 4.7、GPT-5.4、Gemini 3.1 Pro，所有一线模型完成率全部 0%。 arXiv 论文原文：《ProgramBench: Can LanAI 优质文章@FakeMaidenMaker收藏原文25.5 KB
AI 时代到底该怎么管一个工程团队Fiona Fung 在 Anthropic 大会上讲了 28 分钟，聊了聊 AI 时代到底该怎么管一个工程团队。 三周后，Routines 上线了。这是一个让 Claude Code 在云端按计划自动跑任务的功能，不需要在本地一直开着终端。等到她真正站上 Code with Claude 2026 大会的讲台时，幻AI 优质文章宝玉 (@dotey)收藏原文20.2 KB
深度拆解:AI Agent Harness 的构造【译】本文将深入探讨 Anthropic、OpenAI、Perplexity 和 LangChain 究竟在开发什么。我们将聊聊编排循环、工具、记忆、上下文管理，以及那些将“无状态”的大语言模型（LLM）转变为全能智能体（Agent）的底层机制。 你可能已经开发过聊天机器人，甚至可能用一些工具搭建了一个 ReAct 循环 AI 优质文章@dotey收藏原文14.9 KB
拆解 GE HealthCare:一家 130 年硬件巨头的 AI 转型三层打法上一篇文章里，GE HealthCare（通用电气医疗，后文简称 GE 医疗）出现了四次——TrueFidelity CT、Critical Care Suite、SonoLyst、AIR Recon DL。但那四个案例，讲的都是"设备上多了一个 AI 功能"。 如果把 GE 医疗的 AI 转型只理解成"给设备加算法医疗企业转型刘浩南作者原文14.3 KB
【详细报告】产科AI为什么不是看胎儿,而是接进孕期风险链路?产科 AI 当前最值得看的变化，不是“机器替医生看胎儿”，而是把产前超声、胎心胎监、居家监测、医生复核和高危转诊接成一条可追踪的孕期风险链路。 产科很容易被外界误解成一个影像问题。因为最直观的画面是胎儿超声，最容易传播的说法是“AI 帮医生看胎儿”。但医院真正面对的不是一张图，而是一条很长的链路：孕妇从门诊、超声室、医院科室 AI刘浩南作者原文13.6 KB
【详细报告】皮肤科,近15年AI之路为什么不是自动诊断,而是接进分流复核链路?皮肤科 AI 当前最值得看的变化，不是“机器替医生诊断皮肤病”，而是把病灶拍照、风险分流、皮肤科医生复核、活检或转诊、长期随访接成一条可追踪的服务链。 皮肤科是一个很容易被 AI 误读的科室。外行看到的是“拍一张皮损照片，AI 告诉你是不是癌”；医院真正面对的是另一件事：患者从自拍、全科门诊、皮肤镜、全身摄影进入系统医院科室 AI刘浩南作者原文17.4 KB
【详细报告】中医科AI为什么不是自动开方,而是接进辨证复核链路?原因很直接：中医 AI 的早期产品、四诊设备、体质辨识软件、科研平台和辅助辨证系统很多，但公开资料里很难找到一个既能精确到日、又能代表整个中医科 AI 产品化起点的一手监管节点。硬凑一个年数，反而会把读者带偏。 这期最值得看的，不是中医科 AI 走了多少年，而是它正在从“会不会自动开方”的想象，转向“能不能把四诊数据医院科室 AI刘浩南作者原文22.5 KB
【详细报告】内分泌科,16年AI之路为什么不是管血糖,而是接进治疗责任链?从 FDA 在 2010-07-15 对 WellDoc DiabetesManager / DiabetesManager-Rx System 作出 510(k) substantially equivalent 决定算起，内分泌科糖尿病 AI 已经走过 16 年。这个起点不是今天常说的大模型，也不是后来的混合闭环泵医院科室 AI刘浩南作者原文19.9 KB
14 个案例讲透:医疗设备企业怎么做 AI转型这一期我没有继续选开源项目，也没有选纯评测。你给的聚焦点是：传统医疗设备行业企业怎么做 AI 转型方向。 一个以硬件研发、注册、生产、销售、装机和售后为主的医疗设备公司，怎么反向升级成能持续交付 AI 软件、数据服务和临床工作流价值的公司？ 所以本期只锁定一个对象：McKinsey 在 2026 年 7 月 15 AI 课程与技术刘浩南作者原文43.1 KB
【详细报告】神经内科卒中中心,8年AI之路为什么不是看见闭塞,而是接进卒中链路?神经内科/卒中中心 AI 已经走过 8 年，它最成熟的地方不是“看见闭塞”，而是把影像提示、团队通知、转运决策和质量复盘接进一条真实卒中链路。 这个 8 年不是从大模型、聊天机器人或某次融资开始算，而是从 2018 年 2 月 13 日 Viz.AI 的 ContaCT 通过 FDA De Novo 开始算。这个产品医院科室 AI刘浩南作者原文18.8 KB
【详细报告】放疗科,近8年AI之路为什么不是自动勾画,而是接进真实放疗链路?这张演进图把“近8年”的主线压缩成一条线：从自动勾画、机器学习计划，到在线自适应治疗和全流程质控，放疗科 AI 的问题已经不只是画得快不快，而是能不能进入真实治疗链路。 我对放疗科 AI 的判断很明确：它已经越过“单点辅助”阶段，正在进入计划系统、治疗机、复核队列和模型治理的深水区。真正的分水岭不是算法会不会画靶区和医院科室 AI刘浩南作者原文20.7 KB
【详细报告】手术室外科,26年AI之路为什么不是机器人会动刀,而是接进真实手术链路?我的判断是：手术室/外科 AI 已经不是“机器人会不会动刀”的单点问题，而是医院能否把机器人、视频、排程、质控和术后复盘接成一条可追踪的真实手术链路。 过去谈外科 AI，很容易只谈机器人：机械臂更稳、视野更清、器械更灵活。这个判断没错，但已经不够。 现在的变化是，外科正在从“单台手术机器人”进入“手术室数据系统”。医院科室 AI刘浩南作者原文17.2 KB
【详细报告】消化科,近8年AI之路为什么不是看见息肉,而是管住内镜流程?消化科 AI 的“近8年”，我从 2018-12-06 EndoBRAIN 在日本获批这个产品化节点算起。到 2026-07-20，精确相差 7年7个月14天，所以标题写“近8年”，而不是简单写 2021 年 GI Genius 之后的“5年”。 我对消化科 AI 当前阶段的判断很明确：它已经不是证明算法能不能在屏幕医院科室 AI刘浩南作者原文18.2 KB
【详细报告】儿科,18年AI之路为什么不是替医生看孩子,而是把风险、发育和随访接成闭环?儿科 AI 当前最值得关注的变化，不是出现了一个“懂儿童”的通用模型，而是一批非常窄的产品正在进入 NICU、骨龄、发育行为、儿保和慢病随访这些真实流程。 这些产品处理的数据完全不同：有的是连续心率波形，有的是左手 X 线片，有的是家长问卷和儿童行为视频，有的是眼动轨迹，还有的是手机采集的婴儿头颅形态。 这也决定了儿医院科室 AI刘浩南作者原文19.2 KB
【详细报告】重症医学科,18年AI之路为什么不是替医生盯屏,而是帮ICU管住风险?重症医学科 AI 已经走过 18 年。它真正要解决的问题，不是让机器替医生盯着监护屏，而是把分散在监护仪、呼吸机、实验室、EHR 和护理记录里的风险信号，变成能被医生护士接住、确认、处置、复盘的行动链路。 ICU 看起来天然适合 AI：数据连续、设备多、风险高、医生护士需要随时判断。问题是，ICU 也天然会放大 AI医院科室 AI刘浩南作者原文19.5 KB
【详细报告】超声科,近7年AI之路为什么会看图还不够,会带人做检查才关键?超声科 AI 的历史起点，我这次没有从“深度学习很火”开始算，而是从 FDA De Novo 里能查到的 Caption Guidance 算起：2020 年 2 月 7 日，监管分类名已经写成“由人工智能指导的图像采集和/或优化”。到 2026 年 7 月 19 日，是 6 年 5 个月 12 天，所以标题只能写“近医院科室 AI刘浩南作者原文17.5 KB
【详细报告】眼科,8年AI之路目前发展到什么程度了,筛出100个阳性患者后谁来接住?这篇写“8年”，不是从最近的多模态大模型热潮算起，也不是从某个 OCT（光学相干断层扫描）算法新闻算起。可核验起点是 openFDA 记录里的 IDx-DR，DEN180001，decision_date 为 2018-04-11；统计到 2026-07-15，精确相差 8年3个月4天，所以标题写“8年”，不写“近9年医院科室 AI刘浩南作者原文18.4 KB
【详细报告】心内科,近12年AI之路目前发展到什么程度了,为什么会看CTA、心超和心电还不够?这篇写“近12年”，不是从最近的大模型热潮算起，也不是从某个心电算法发布算起。可核验起点是 openFDA 记录里的 HeartFlow FFRCT，DEN130045，decision_date 为 2014-11-26；统计到 2026-07-08，精确相差 11年7个月12天，尚未满 12 周年，所以标题写“近1医院科室 AI刘浩南作者原文19.3 KB
OpenEvidence 为什么在美国能落地,在国内却落不了地,真正差的不是模型但如果只从模型能力看它，基本就看偏了。它真正厉害的地方，不是多会聊天，而是把美国医生、权威医学内容、真实临床问题、广告和药械商业化、专业身份验证、责任边界这几件事，做成了一个能转起来的系统。 所以问题不是“国内有没有能力做一个类似问答框”。国内当然能做，而且很多团队已经做过医疗知识库、指南问答、院内临床助手、药学问答AI 课程与技术刘浩南作者原文18.2 KB
【详细报告】检验科病理科,22年AI之路发展调研,从单纯“出报告”,迈向AI生产流程管理!过去医院谈检验科、病理科 AI，最常见的问题是：“能不能自动出报告？”这个问法现在已经不够用了。真正落地的产品正在证明，AI 对实验诊断的改变不是从报告末端开始，而是从报告之前更长的生产链条开始：样本进入、前处理、仪器检测、图像或谱图生成、自动审核、异常分流、人工复核、LIS 回写、质控追踪、报告签发。 换句话说，检医院科室 AI刘浩南作者原文37.3 KB
放射科,近28年AI之路目前发展到什么程度了,为什么胜负已不在‘会看片’?这段历史不是一条单纯的准确率上升曲线。产品从“在片子上画圈”扩展到分诊、报告与随访，技术从手工特征走向 CNN（卷积神经网络）、多任务模型和基础模型，医院购买的对象也从一个算法变成一条可监测、可回退的工作流。 截至 2026-06-24 06:34（Asia/Shanghai），放射科仍是医院里 AI 产品最密集、监医院科室 AI刘浩南作者原文23.3 KB
8K+ Star,AlphaFold 3把结构预测拆成任务对象,最关键的不是模型如果前几期更多是在看医疗软件、FHIR（医疗数据交换标准）或医学影像工作流，这一期就把视角拉回医学科研：一个研究团队怎样把蛋白质、核酸、小分子和离子的相互作用，变成可以复跑、可以检查、可以写进实验记录的结构预测任务。 AlphaFold 3 值得现在看，不只是因为它在 GitHub（代码托管平台）上已经有 8K+ SGitHub 医疗项目刘浩南作者原文9.6 KB
4K+ Star,OHIF Viewer把医学影像查看拆成扩展机制,真正难的不是看图上期看 Medplum 时，我们讨论的是 FHIR（医疗数据交换标准）如何成为医疗应用底座。这一期换到影像场景：很多团队以为影像产品的难点是“把片子显示出来”，但真正进入医院后，问题往往变成另一件事。 OHIF Viewer 是 Open Health Imaging Foundation（开放健康影像基金会）维护的GitHub 医疗项目刘浩南作者原文9.5 KB
2K+ Star,Medplum把FHIR做成开发底座,关键不是多做一个页面前几期已经看过药物发现、医学影像、电子病历和患者侧研究工具。这一次我想换一个更贴近医疗 AI 落地底层的问题：如果一个团队要做真正能接进医院、患者、实验室和第三方系统的应用，难点到底是不是再写一个漂亮页面？ 它不是一个单点功能，也不是一个单独的 EHR（电子健康记录系统）页面。它更像一套面向开发者的医疗应用底座：FHGitHub 医疗项目刘浩南作者原文9.8 KB
8K+ Star,nnU-Net把医学影像分割自动配置,最难的不是模型前几期我们已经看过 DeepChem（药物发现工程框架）、MONAI（医学影像 AI 开源框架）、OpenEMR（开源电子病历系统）和 ResearchKit（患者侧研究数据采集框架）。这几类项目分别对应模型研发、影像工程、院内系统和患者侧数据。 这一次回到医学影像 AI（人工智能）里一个更具体的问题：当团队拿到一批GitHub 医疗项目刘浩南作者原文10.6 KB
5K+ Star,ResearchKit把医学研究装进手机,难点不是表单前几期我们看过 DeepChem（药物发现工程框架）、MONAI（医学影像 AI 开源框架）和 OpenEMR（开源电子病历系统）。它们分别回答了模型研发、医学影像工程和院内系统集成的问题。 这次换一个更靠近患者侧的入口：如果一个医疗 AI（人工智能）项目想长期获得真实世界数据，它不能只等医院系统里已经整理好的表格，GitHub 医疗项目刘浩南作者原文10.0 KB
把一本书、一门课,甚至老师的授课方法蒸馏成 skill——cangjie-skill很多人看完一本书、听完一门课、收藏了一场长视频，最后只得到几页笔记。真正到了工作里，还是不知道“什么时候该用哪一步”。 cangjie-skill 这个项目有意思的地方，就在这里。它不是把一本书、一门课、一场长视频压缩成摘要，而是把里面真正能迁移的方法论，拆成 Agent 可以调用、可以组合、可以测试的 skillsAI 课程与技术刘浩南作者原文17.8 KB
Hadi Hasan 团队,分享的 CareConnect 比市面上卖的课都要好,最值钱的是这套可上线边界如果你最近在看医疗 AI Agent，最容易被带偏的地方，是把所有问题都塞进“智能问答”。 CareConnect 值得拆，不是因为它又做了一个会聊天的医疗助手，而是因为它反过来做了一件更克制的事：把 Agent 的工作范围压到医疗后勤流程，尤其是预约、改约、取消、医生可用性和机构信息查询。 这类系统的关键不是模型AI 课程与技术刘浩南作者原文13.5 KB
Microsoft,分享的 HealthAgentBench 比市面上卖的课都要好,最值钱的是这套真实医疗 Agent 验收场HealthAgentBench 最值得收藏的地方，不是它又给模型排了一张榜，而是它把医疗 Agent 的评测对象换了。 过去很多医疗 AI 评测仍然像考试：给一段病历、一个问题、几个选项，看模型能不能答对。HealthAgentBench 换成了另一种问题：把 Agent 放进一个真实感更强的工作环境，给它原始患者AI 课程与技术刘浩南作者原文11.4 KB
8K+ Star,MONAI项目的医学影像工程底座模块化设计,告别模型大黑盒问题MONAI 值得讲，不是因为它又推出了一个单点影像模型，而是因为它把医学影像 AI 里最容易被低估的工程问题放到了台面上。数据读入、空间变换、训练组件、评估指标、自动分割流程、模型包和部署前验证，必须在同一个工具链里被反复检查。 很多影像 AI 项目做 demo 时看起来都像一个完整系统：输入一张片子，模型给出分割、GitHub 医疗项目刘浩南作者原文14.5 KB
KAUST IVUL,分享的 MedCTA 比市面上卖的课都要好,最值钱的是这套临床 Agent 评测路线图MedCTA 把“医疗 Agent 到底应该怎么评测”拆得很细：任务怎么设计，工具怎么调用，证据怎么记录，模型在哪里失败，最后又该怎么验收。 如果你正在做临床智能体、医学多模态模型、院内工作流工具，MedCTA 最值得学的不是某个模型分数，而是一套评测路线图。 MedCTA 的完整标题是 A Benchmark fAI 课程与技术刘浩南作者原文12.4 KB
【GitHub 热门医疗项目】DeepChem:药物发现真正缺的不是模型,而是工程底座|2026.06.23我先按“直接医疗相关”做硬过滤，再按 Star 总数和最近有效更新排序。候选池里，K-Dense-AI/scientific-agent-skills 有约 2.9 万 Star，但它覆盖整个科学研究，医学只是其中一部分；OpenEMR 和 OHIF 都很成熟，却分别更偏 EHR（电子病历系统）和医学影像工作站；MedGitHub 医疗项目刘浩南作者原文12.8 KB
我做了一个飞书灵感捕手:把一句想法变成一份可执行报告按照我以前的习惯，这句话大概率会被我扔进备忘录、微信文件传输助手，或者飞书收藏里。然后它会和很多“以后再整理”的想法一样，慢慢沉下去。 几分钟后，它回给我一份 PDF：里面有 CEO Review、竞品扫描、最小实现路径，还有一张白板图。 这就是我最近做的一个小项目：给飞书机器人发一句想法，它会自动帮我记录到 Ob医疗企业转型刘浩南作者原文20.3 KB
我做了一个飞书灵感捕手:把一句想法变成一份可执行报告按照我以前的习惯，这句话大概率会被我扔进备忘录、微信文件传输助手，或者飞书收藏里。然后它会和很多“以后再整理”的想法一样，慢慢沉下去。 几分钟后，它回给我一份 PDF：里面有 CEO Review、竞品扫描、最小实现路径，还有一张白板图。 这就是我最近做的一个小项目：给飞书机器人发一句想法，它会自动帮我记录到 Ob医疗企业转型刘浩南作者原文19.3 KB
我做了一个飞书灵感捕手:把一句想法变成一份可执行报告最近我做了一个很小但很实用的项目：给飞书机器人发一句想法，它会自动帮我记录到 Obsidian，调用 Codex 做一次 CEO Review 和竞品扫描，生成一张白板图、一份 Markdown 报告和 PDF，最后再把 PDF 回传给我。 它不是一个大平台，也不是一个复杂产品。它更像一个我给自己做的“灵感收纳盒 +医疗企业转型刘浩南作者原文18.0 KB
ICD-10收录本地 ICD-10 表中的 34,764 条分类节点，保留代码、中文名称、层级和父节点关系。适合用于疾病名称检索与编码结构研究，完整 CSV 保持代码为字符串。 可以按代码查找中文名称，也可以结合父节点理解分类结构。原始文件没有确认中文版本、发布日期与正式发布者，当前收录保持该来源范围，不将本地节点编号当成医学标医学基础知识本地医学结构化资料整理本地可用3.16 MB
基础名称字典集中整理民族、国家、省级、城市和区县五组名称及来源代码，共 3,808 条记录。资料可以用于名称检索、数据字段理解和地域层级研究，完整内容按五份 CSV 保存。 五组名称及其来源代码，共 3,808 条记录。整理仅清理字段首尾空白，代码保持字符串，保留原有层级关联。 来源代码用于理解这批资料中的关联关系。原始资料没医学基础知识本地医学结构化资料整理本地可用95.3 KB
科室名称与层级从三张科室表的 238 条记录中整理出 95 组不同的两级科室名称，适合用于科室导航、资料分类和医疗产品研究。文件只保存一级和二级名称。 三张来源表按名称合并并去重，完整 CSV 保存 95 组层级。名称沿用本地资料，正式诊疗科目及其代码需要结合发布版本核对。 可以按一级科室建立知识目录，再按二级科室关联研究文章。医学基础知识本地医学结构化资料整理本地可用7.7 KB
广东省医保药品目录(2025年版)广东省相关部门印发的2025年医保药品目录，依据国家2024年版目录制定，提供当地适用范围、目录版本和官方附件，便于政策检索及历史资料对照。地方医保药品目录广东省医疗保障局、人力资源社会保障厅本地可用5.69 MB
上海市医保药品目录(2024年,历史版本)上海市相关部门印发的2024年医保药品目录，保存官方发布依据及公开附件，可用于查阅当地目录范围、政策说明和历史版本。地方医保药品目录上海市医疗保障局等五部门本地可用1.82 MB
医保智能监管药品规则与知识点(2026年1月更新)国家医保局公开更新的八项药品类监管规则和对应知识点，覆盖性别、儿童、工伤、生育、就医方式、机构级别和支付疗程。提供官方 PDF 与 Excel，用于规则学习和资料检索。医保智能监管国家医疗保障局本地可用1.89 MB
国家医保药品目录(2024年,历史版本)国家机关印发的2024年医保药品目录，作为历史版本保存，便于核对既往药品范围、目录说明和政策版本变化。来源为国家医保局正式发布页面及其公开附件。医保药品目录国家医疗保障局、人力资源社会保障部本地可用1.46 MB
国家医保药品目录与商保创新药目录(2025年)国家医保局与人力资源社会保障部印发的2025年医保药品目录及商业健康保险创新药品目录，包含官方目录附件，可用于药品目录检索、支付范围参考和版本对照。医保药品目录国家医疗保障局、人力资源社会保障部本地可用2.61 MB
