Study AI with Med
总览AI+X 多维分析AI医疗报告论文知识点分析个人笔记区微论坛
AI医疗报告论文

青囊慧诊：一个全流程AI医疗框架的设计与实现

基于开源项目「青囊慧诊」的系统分析，深度剖析协作式副驾智能体在医疗领域的技术架构、核心创新、落地实践与未来前景。

2026-03-15

"

摘要：随着大语言模型技术的成熟，AI在医疗领域的应用正从单点突破走向全流程赋能。然而，如何将模型的生成能力与医院现有业务流程深度融合，仍是当前落地的核心挑战。本文介绍并分析了开源项目"青囊慧诊"——一个具备落地级应用能力的全流程AI医疗框架。该系统通过结构化输出、本地数据库对齐、模块化设计三大核心创新，实现了从诊前建档、智能导诊到诊中辅助诊断、病历生成，再到诊后随访的全流程覆盖。本文详细阐述了其技术架构、模型性能及实际应用效果，并讨论了以青囊慧诊为代表的协作式智能体在医疗领域的价值与前景。

关键词：AI医疗；智能体；大语言模型；RAG；临床决策支持；青囊慧诊

#
1 引言

近年来，人工智能技术在医疗领域的应用日益广泛，从影像诊断到药物研发，逐步渗透至医疗健康的全链条。根据笔者在《StudyAIwith Medicine》中的梳理[1]，当前AI医疗主要涵盖五个方向：影像学、药物发现、蛋白质结构预测、医疗大模型、临床智能体。其中，影像学虽已形成商业闭环，但其分析能力止于"看片"，难以参与复杂决策；药物发现与蛋白质预测价值巨大，却远离临床一线，落地周期漫长；医疗大模型面临"幻觉"与责任归属的双重困境，监管准入困难。相比之下，临床智能体通过ReAct推理与工具调用机制，有望在辅助决策与业务流程融合中实现突破。

在此背景下，浪潮信息于2026年1月开源了"青囊慧诊"全流程AI医疗框架（以下简称"青囊慧诊"）。该项目不是单纯的"聊天机器人"，而是一个以医疗业务流程为中心的、生产级智能支撑系统。本文将从系统架构、核心技术、模型性能及应用效果等方面对其进行深入剖析，并探讨其对未来医疗AI发展的启示。

#
2 系统概述与架构

2.1 系统定位与核心特性

青囊慧诊是一款具备落地级应用能力的全流程AI医疗框架，旨在为医疗行业提供高效、智能的解决方案。其核心特性包括：

  • 全流程覆盖：支持诊前、诊中、诊后多个环节的HTTP服务接口，实现从患者建档、挂号、预问诊到诊断、处方、随访的完整闭环。
  • 灵活数据集成：支持自定义药品、疾病名等用户特有数据库接入，通过"LLM+检索"增强落地性，避免模型幻觉。
  • 高兼容性部署：支持通过标准OpenAI服务接入DeepSeek、Qwen、Llama、Baichuan等主流大模型，同时提供经过医疗微调的专用模型。
  • 多场景适配：覆盖医院、互联网医疗、医药流通等多种应用场景，同时支持医、患、管三方角色。

2.2 总体架构

青囊慧诊的技术架构可分为四层：

  1. 接入层：基于FastAPI构建RESTful接口，接收来自前端或第三方系统的请求，并通过请求类型（request_type）路由至不同的业务处理器。
  2. 业务编排层：包含一系列针对医疗场景设计的处理器（如建档、导诊、诊断等），每个处理器内部集成了精心调优的Prompt指令和推理流程。
  3. 增强检索层：集成本地医疗知识库（药品库、疾病库、检查项库等），通过BM25等检索算法实现语义对齐，确保模型输出与医院实际目录匹配。
  4. 模型层：通过OpenAI API格式调用外部或本地部署的大语言模型，既支持通用模型（如DeepSeek、Qwen），也支持项目微调的专用医疗模型Qingnang系列。

#
3 核心技术实现

3.1 医疗专用模型：Qingnang系列

青囊慧诊项目不仅是一个框架，还提供了经过微调和增强训练的医疗大语言模型。这些模型基于主流开源基座（如Qwen2.5、GLM4）训练，并在多个医疗评测基准上表现优异。

模型下载：

  • Qingnang-72B：基于Qwen2.5-72B-Instruct微调，适用于复杂医疗推理场景。
  • Qingnang-9B：基于GLM4-9B-Instruct微调，轻量高效。
  • 此外，项目还提供中文/粤语ASR模型和TTS模型，支持语音交互。

模型性能： 在MedBench权威医疗评测基准上，Qingnang系列模型表现突出。以8B级别模型为例，Qingnang-9B的综合得分达62.7，远超GLM4-9B-chat（34.8）和Llama3.1-8B-instruct（21.5）。在70B级别，Qingnang-72B-SFT与Qwen2.5-72B-instruct并列第一（综合77.9），并在医疗安全和伦理维度得分最高（86.4）。

此外，项目自建的临床对话评测集显示，Qingnang-9B在对话交互能力上得分73.35，显著优于其他开源模型。这表明微调后的模型在真实医患对话场景中更具优势。

3.2 智能体框架：结构化输出与本地对齐

青囊慧诊的智能体设计充分体现了"工程化约束"思想，其核心创新在于：

1. 结构化JSON输出

传统大模型输出自由文本，无法被医院HIS、EMR等系统直接解析。青囊慧诊所有API接口均返回标准化的JSON格式，例如预问诊模块返回的数据包含症状、持续时间、严重程度等结构化字段，可直接映射至电子病历系统。

2. 本地数据库对齐

为解决"推荐不可用"问题，系统内置科室、诊断、药品等本地知识库，通过语义检索（如BM25）确保模型输出与医院实际目录匹配。例如，当医生开具药品建议时，系统会优先从本地药品库中召回标准名称，避免模型自行编造不存在的药品。

3. 模块化设计

系统将诊疗流程拆分为十余个独立模块（如患者建档、智能导诊、病历质检、疾病诊断、治疗方案等），各模块通过API解耦，医院可根据需求按需组合，降低实施成本。

3.3 业务流程编排与Prompt工程

在 src/diagnosis_treatment 及 src/quality 目录下，项目提供了大量预设的Prompt逻辑。这些Prompt不仅包含医疗知识，还融入了意图识别、意图回退等机制，确保即使患者回答模糊，系统也能将其引导至合法的医学流程。例如，病历质检模块（QualityInspect）通过 quality.json 配置文件驱动，可对病历进行自动化质控和修订。

3.4 部署与体验

青囊慧诊支持Docker容器化一键部署，并提供详细的快速启动指南。用户可通过以下步骤快速体验：

  1. 准备OpenAI兼容的模型服务（本地或云端）。
  2. 克隆代码并安装依赖。
  3. 可选导入自定义知识库。
  4. 启动推理服务：python3 inference.py --model <model_name> --model-url <url> --fastbm25 --log
  5. 启动Gradio WebUI：python3 inference_gradio.py，即可通过浏览器体验各模块功能。

项目还提供测试脚本，可模拟各类业务请求（如建档、导诊、诊断、处方生成等），便于开发者验证和二次开发。

#
4 应用案例与效果

据官方披露，青囊慧诊已在多家三甲医院实地应用部署。其中，佛山市南海区人民医院的落地案例成效显著：

  • 系统上线以来累计服务 12.67万 患者。
  • 平均导诊耗时从人工的70分钟降至 3.5分钟，效率提升20倍。
  • 错号率降低 20%。
  • 系统支持流畅的粤语交互，有效解决了基层老年患者的语言障碍问题。

该案例验证了青囊慧诊在真实临床环境中的可行性与价值，也证明了其"结构化输出+本地对齐"技术路径的实用性。

#
5 讨论：协作式智能体的价值与前景

5.1 两类智能体的区分

当前"AI智能体"概念泛化，易生混淆。本文严格区分两类智能体：

  • 自主型多智能体系统：以替代人类职业为目标，追求最小化人类干预，但面临责任归属、监管准入等困境。
  • 协作式副驾智能体：以增强人类决策为宗旨，坚持"人类在环"，AI提供可追溯的建议草案，由人类最终确认。

青囊慧诊无疑是协作式副驾智能体的典范。其设计始终围绕"辅助"而非"替代"：所有输出均为可审核的结构化草案，医生拥有最终决策权；本地数据库对齐确保了推荐内容的可用性；模块化设计使其能深度嵌入现有医疗流程，而不触动既有的责任与权力结构。

5.2 青囊慧诊的启示

从青囊慧诊的实践中，我们可以得到以下启示：

  1. 医疗AI的落地关键在于"可用性"而非"智能感"。结构化输出、本地对齐等工程化手段，比单纯提升模型参数量更能解决实际问题。
  2. 责任归属是医疗AI不可回避的红线。坚持"人类在环"不仅是伦理要求，更是商业与政策可行性的基础。
  3. 开源生态推动行业进步。青囊慧诊的开源发布，降低了医疗机构和开发者构建专属医疗智能体的门槛，有望加速AI医疗的普及。

5.3 未来展望

基于对青囊慧诊的剖析，笔者认为以下技术方向值得进一步探索：

  • 多模态融合：将视觉大模型（如影像分析）与智能体框架结合，让系统既能"看懂片子"又能"规划治疗"。
  • 可解释性推理：通过思维链可视化、过程监督等技术，让模型的每一步推理都能被医生追溯和验证。
  • 轻量化部署：通过模型量化、知识蒸馏，将百亿级模型压缩至可在普通工作站运行，推动优质AI资源下沉至基层。

#
6 结论

本文系统介绍了开源项目"青囊慧诊"——一个全流程AI医疗框架。通过结构化输出、本地数据库对齐、模块化设计三大核心创新，该项目成功将大语言模型能力嵌入医院现有业务流程，实现了从诊前到诊后的全流程智能化支持。其在佛山市南海区人民医院的落地应用，证明了协作式智能体在医疗领域的可行性与价值。笔者认为，以青囊慧诊为代表的工程化智能体，是当前AI医疗最具落地潜力的方向，有望在未来成为医生的"标准配置"，推动医疗质量的提升与医疗资源的普惠。

致谢：感谢浪潮信息团队的开源贡献，以及佛山市南海区人民医院提供的实践案例。

参考文献

"

注意：本论文基于公开资料撰写，部分数据来源于项目官方披露。如需更详细信息，请参阅原始项目仓库。