前言：为什么做医疗问诊Agent
2026年初，医疗资源分配不均、基层医生短缺的问题依然突出。国家卫健委发布的最新数据显示，我国每千人执业医师数为3.2人，但城乡差距仍达2.5倍。与此同时，大语言模型（LLM）技术在过去一年半中经历了爆发式发展——从GPT-4到Claude 3.5，从开源Llama 3.1到国内DeepSeek-V3，模型能力跃升了不止一个台阶。
我们团队在2026年1月启动了这个项目，目标很明确：构建一个可靠、安全、专业的医疗问诊Agent，能够辅助患者完成初步症状评估、健康咨询和就医导诊，同时为基层医生提供决策支持工具。
这个目标说大不大，说小不小。说不大，是因为市面上已有不少医疗AI产品；说不小，是因为真正达到“可用”级别的产品寥寥无几。医疗场景对准确率、安全性、合规性的要求，是所有垂直领域中最严苛的之一。
六个月后，我们的Agent累计完成超过50万次有效问诊交互，症状匹配准确率达到91.3%，用户满意度NPS评分为72分。这篇文章不是吹嘘成绩，而是把走过的弯路、踩过的坑、以及最终沉淀下来的方法论，如实记录下来。
目录
前言：为什么做医疗问诊Agent
第一章：项目启动——目标定义与可行性论证
1.1 三个核心问题
1.2 团队组建与角色分工
第二章：数据工程——医疗知识的数字化基建
2.1 数据来源与采集
2.2 知识图谱构建
2.3 向量数据库选型
第三章：模型选型与微调——找到最合适的基座模型
3.1 基座模型选型评估
3.2 微调实战：从LoRA到全参数
3.3 奖励模型与RLHF（2026年3月）
第四章：RAG系统设计——让模型“有据可依”
4.1 为什么RAG是医疗Agent的命脉
4.2 检索优化的核心技巧
4.3 知识库更新的自动化流水线
第五章：Agent架构——从单轮到多轮，从问答到“问诊”
5.1 整体架构
5.2 多轮问诊的状态管理
5.3 ReAct推理的医疗适配
5.4 工具调用（Tool Use）
第六章：安全与合规——医疗AI的生死线
6.1 多层安全防护体系
6.2 合规认证
6.3 用户知情同意与隐私保护
第七章：性能优化——让Agent“快”且“准”
7.1 延迟优化
7.2 准确率提升
7.3 成本优化
第八章：用户交互与体验设计
8.1 对话式交互设计
8.2 可解释性设计
8.3 无障碍与多语言
第九章：灰度发布与上线
9.1 灰度策略
9.2 监控与告警
9.3 上线后的第一个“惊魂时刻”
第十章：上线后迭代——从“能用”到“好用”
10.1 用户反馈驱动的改进
10.2 A/B测试与数据飞轮
10.3 面向未来的架构演进
第十一章：踩坑总结——如果有人再做，可以避开这些
11.1 技术层面
