刘浩南 刘浩南-AI实战派 2026年10月1日 16:12
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（小参数轻量化模型）的技术背景下，医生一般比较难直接参与开发过程，或者只能参与内容输入和验收工作。那么平时怎么和医生讲清楚Agent的构建过程的呢？
或者换一种说法，目前某个医生专家需要构建一个Agent，需要怎么做？
下面引入一个案例
Agent 名称：
风湿科痛风门诊助手
服务对象：
风湿科医生
任务：
辅助完成痛风患者门诊诊疗
输入：
门诊病历
实验室检查
既往用药
肾功能
合并疾病
知识库：
202x 痛风指南
科室诊疗路径
药品说明书
工作步骤：
1. 症状抽取
2. 判断危险信号
3. 判断诊断依据
4. 鉴别诊断
5. 治疗禁忌判断
6. 推荐检查
7. 治疗方案
8. 患者教育
禁止事项：
证据不足不得直接下诊断
感染未排除不得默认痛风
用药前必须检查肾功能……
输出：
问题列表
诊断依据
鉴别诊断
检查建议
治疗建议
风险提醒
测试病例：
200例
通过标准：
关键危险信号召回率 ≥ X%
严重错误 = 0
不要被上面这个案例吓到，这一些都是作为构建Agent的需求梳理工作，开始构建这个Agent前先做一些准备工作。
医疗 Agent 的构建，本质上不是为了“给大模型写一段更厉害的 Prompt（提示词）”，本质是在想办法把一个专家已经非常熟练、甚至已经形成肌肉记忆的工作方法，一点一点拆出来，再交给机器执行。
在真实场景里，比如一个痛风患者走进诊室，专家不会只看到“关节疼、尿酸高”。
他可能会先注意患者是不是第一次发作，是单关节还是多关节，有没有发热，有没有外伤，有没有感染风险；接着看尿酸、肾功能、炎症指标，看看既往有没有痛风石、肾结石；准备开药的时候，又会下意识去看患者有没有慢性肾病、心衰、消化道出血史，现在吃没吃抗凝药。
这些判断，医生自己已经习惯了，也就是肌肉记忆了，所以在表达自己怎么思考的过程可能就会忽略了。
但 Agent 不一样。
你不告诉它，它就不知道。
所以我现在做医疗 Agent，越来越少从“Prompt 怎么写”开始，而是从整个任务到底是怎么完成的开始。那么Prompt还有什么用呢？
如果你关注医疗AI，欢迎关注➕刘浩南
一、Prompt 只是入口，不是 Agent 本身
前几年大家做医疗大模型应用，很容易从 Prompt 开始。
比如：
“你是一名经验丰富的风湿免疫科主任，请根据以下患者信息分析诊断，并给出治疗建议……”
这种 Prompt 有没有用？
当然有。
如果只是演示一下模型能力，已经够用了。但真正放进医疗业务运作以后，很快就会遇到问题。也是早年做面向基层医院辅诊项目时，主要依赖提示词工程踩过的坑——
同一个病例，今天问一遍和明天问一遍，输出结构可能不一样；患者信息缺了一块，模型不一定会主动问；尿酸很高，它可能顺着痛风一直分析，却没有优先排除感染性关节炎；知道患者肾功能不好，但后面给药的时候又把这个条件忘了。
很容易让医生觉得大模型“笨”。其实是我们给了它一个开放题。而严肃临床工作里，大量任务并不是开放题。它有明确的先后顺序，有必须判断的节点，有一些事情漏掉了就是错误。
所以 Prompt 更准确的定位，我觉得应该是：
告诉 Agent，它是谁，它现在要做什么，以及它处理这个任务时最基本的原则是什么。
例如痛风门诊助手的 Prompt，可以这么定义：
你是风湿科医生的临床辅助 Agent，你的职责是帮助医生整理患者资料、识别危险信号、分析痛风诊断证据、提示鉴别诊断和用药风险。你不能替代医生完成最终诊断和处方决策。信息不足时必须明确指出缺失信息，不得自行补充患者不存在的信息。
这才是 Prompt 应该解决的问题。至于后面到底先做什么、再做什么，应该交给下一步 Workflow/SOP。
二、医疗 Agent 的上限是 Workflow / SOP
还是回到痛风这个案例。
如果让我想让Agent执行“请分析这个患者。”这个简单问题，其实背后包含了很多步骤——
第一步： 病例信息结构化
也就是把患者的主诉、现病史、既往史、用药史、过敏史、检验结果、影像结果、合并疾病全部抽出来（无论是从HIS对接，还是附件输入，这个后续再说）。
第二步：病例信息检查
也就是信息够不够？这个很好理解，比如一个急性关节炎患者，病历里没有体温，没有血常规，没有 CRP，没有感染史。这个时候 Agent 就不能往下执行，它首先应该告诉医生：当前缺少哪些影响判断的关键信息。
第三步：危险信号判断
例如：有没有明显发热？有没有近期创伤或者关节操作？等因素，如果有，就应该把“感染可能”优先。这里已经不是 Prompt Engineering 提示词工程能解决了。相当于在把专家脑子里的临床路径变成一个可以执行的 Workflow。
第四步：判断痛风的支持证据
有没有既往典型发作？
有没有痛风石？
有没有双能 CT 或超声证据？
有没有关节液检查？
尿酸水平怎么样？
这些就按照临床路径的诊断规则进行判断（这里也就是下一节知识库的重要性）
第五步：鉴别诊断。同理依赖临床路径的规则进行判断。
第六步：治疗预后。同理依赖临床路径的规则进行判断。
这才是一个完成的判断步骤，所以一个真正能用的医疗Agent的流程其实是：
病例 → 信息抽取 → 完整性检查 → 危险信号 → 诊断证据 → 鉴别诊断 → 合并症与禁忌 → 知识检索 → 生成建议 → 安全检查 → 医生确认
这里还有一个很现实的问题： Workflow 到底要梳理到什么程度？总不能把临床上所有可能出现的情况全部枚举一遍吧。
答案当然不是。
医疗 Workflow 的重点：把这个任务里相对稳定的“判断骨架”抽出来。
以痛风门诊Agent为例，我们不需要提前写完“痛风+肾衰”“痛风+心衰”“痛风+糖尿病”“痛风+感染”几百种组合。
只需要先确定几个不会轻易变化的关键节点：信息是否完整、有没有危险信号、诊断证据是否充分、有哪些重要鉴别诊断、有没有影响治疗选择的合并症和禁忌、接下来需要补什么检查、最后才能进入治疗和宣教。大部分的病种都是这个思路，其实可以根据专科要求参考临床路径去设计，不要 试图在项目一开始就把整个医学世界的无限大的决策树放到里面。
三、Knowledge Base 决定答案准确性
再说知识库，很多项目一听到知识库，都有一种误区：把几百份指南、几千篇 PDF 全部丢进去，然后就宣称我们已经有一个几千万tokens的医学知识库了。
实际就是不一定有用。
很好理解，这个 Agent 完成当前任务，到底需要哪些知识？比如痛风门诊助手，真正高频使用的可能就是几类：痛风相关指南和专家共识、科室内部自己的诊疗路径、药品说明书、特殊人群用药规则、医院自己的检查项目和药品目录就够了。
医生实际工作不是在做医学百科问答。 Knowledge Base 应该理解成：Agent 可以随时调用的一套精准的依据。
往模型里面塞资料是没用的，所以知识库管理经常成为医疗Agent构建的难点，不在于技术，而是管理或者说人力投入的问题，以后有机会再展开聊聊知识库怎么高效管理。
四、LLM、DSLM、SLM 要跟潮流
接触过的所有项目，客户一上来都会灵魂拷问：
我们这个项目用哪个大模型？
DeepSeek 行不行？
要不要用医疗专科大模型？
是不是最好自己训练一个？
这里存在巨大的信息差，同一个模型，流程设计不同，效果可以差非常多。不同模型也有不同定位，这些往往都容易被忽略。可以按照以下分类来帮助理解：
1、通用 LLM 比较适合处理复杂文本理解、病例总结、多轮交互、综合分析。
2、DSLM，也就是领域或者专科模型，在一些专业术语理解、特定任务上可能会有优势。
3、SLM，也就是小参数模型，更适合某些非常固定的任务，比如结构化抽取、分类、质控，或者医院内部本地部署。
一个 Agent 里面同时用几个模型也是很常见的，比如：
病历结构化抽取，用一个小模型；
复杂病例分析，用一个能力更强的大模型；
影像或者病理任务，再交给专门的多模态模型；
最后再由一个模型生成医生可读的结果。
所以Agent构建是在不同任务节点选合适的模型，模型只是整个系统里的一个零件，很重要，但不是全部。而且现在国内头部模型的能力已经很top了，完全不需要自己本地部署，用api就能直接跟上最新模型的潮流，当然在合规的前提下。
五、Tools 让Agent 操作更简单
现在一个 Agent 基本已经可以回答问题了，但是如果什么工具都不接，医生需要自己把患者病例复制进来，再把化验结果复制进来。是不是反而增加了工作，降低了效率了呢？
如果接上工具tools，可以从 EMR 读取当前患者病历；从 LIS 获取最近的血常规、CRP、尿酸、肌酐……把最终结果回写到EMR成一份待医生确认的门诊记录。
这个时候，一个 Chatbot 变成真正意义上的 Agent。
六、Evaluation评测结果决定能不能上线
Agent做到这里，让几个医生试一下，然后说：
“感觉还可以。”
但是还不能上线，必须做系统评测：以我们的痛风 Agent 为例，起码准备200 个脱敏病例。
这 200 个病例case是有要求的——
有最典型的痛风；
有表现不典型的；
有痛风合并 CKD；
有痛风合并心衰；
有糖尿病；
有正在抗凝的患者；
有高龄患者；
也要放一些根本不是痛风的病例等等。
然后关注相关指标：召回率，准确率，精确率，bad case等等。根据评测结果优化后才能够试点上线。
最后
聪明的你已经掌握了构建医疗Agent的能力了：Medical Agent = Prompt + Workflow/SOP + Knowledge Base + LLM/DSLM/SLM + Tools + Evaluation
当然要把这个复杂过程梳理出来是需要经过多轮访谈的，我把一些核心问题梳理出来，帮助各位医生梳理自己的Agent：
这个 Agent 帮你做什么？
平时你自己怎么完成这个任务？
第一步是什么？
第二步是什么？
什么情况你会立刻警觉？
哪些信息缺了，你会补充问诊？
你经常参考哪几份指南或者资料？
哪些建议无论如何都不能直接给？
最后你希望看到什么样的结果？
再加上一批脱敏后的真实病例。
其实一个 Agent 的骨架已经出来了。
相信不久的未来，Agent就会有构建Agent的能力，会把上面的最佳实践全自动了，然后需要的是医生专家的专业判断就可以了。
祝大家国庆假期愉快🇨🇳
以上内容来源多年经验总结
手搓整理不易，感谢给个💗
#医疗AI #Agent #提效 #智能体
微信扫一扫赞赏作者
收录于医疗AI经验