国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

在AI技術(shù)蓬勃發(fā)展的當(dāng)下，醫(yī)療Agent作為一款嵌入醫(yī)院主頁(yè)的智能模塊，本應(yīng)為患者提供高效便捷的咨詢和問診服務(wù)，但許多產(chǎn)品卻面臨用戶使用率低下的困境。本文作者通過親身參與一款醫(yī)療Agent產(chǎn)品的研發(fā)與落地，從0到1復(fù)盤了其在全國(guó)近1000家醫(yī)院上線的全過程。

最近參與的Agent產(chǎn)品已在全國(guó)近1000家醫(yī)院上線啦～（撒花）

在調(diào)研、試點(diǎn)、落地的過程中，我們踩了很多坑，也積累了不少經(jīng)驗(yàn)。寫下這些，希望能給正在做AI落地的朋友們一些參考。

備注：該Agent是嵌入在各醫(yī)院主頁(yè)中的模塊，患者對(duì)該醫(yī)院有任何問題，例如“有沒有急診？能租賃輪椅嗎？小孩肚子痛掛什么科”等都可以進(jìn)行詢問，并直接在線問診或掛號(hào)。

1.作為AI產(chǎn)品經(jīng)理，找到真實(shí)的用戶需求比技術(shù)理解力更重要

一開始我們沒想著做AI Agent，只是后臺(tái)頻繁出現(xiàn)的問題引起了注意：

“懷孕四個(gè)月甲亢怎么辦？”

“抽血在哪一樓？”

“有無(wú)痛胃鏡嗎？”

這些問題看起來很簡(jiǎn)單，但幾乎沒人答得上來。不是醫(yī)生不專業(yè)，而是這些信息太零散，太長(zhǎng)尾。很多答案藏在醫(yī)院的HIS系統(tǒng)、公眾號(hào)、甚至紙質(zhì)易拉寶上，用戶不是不愿查，是根本不知道去哪查。

因此我們思考：如果連醫(yī)院工作人員都答不清，那有沒有可能，AI能成為那個(gè)“統(tǒng)一回答者”？我們手上其實(shí)有不少底牌：醫(yī)療知識(shí)圖譜、醫(yī)生問答數(shù)據(jù)、醫(yī)院服務(wù)信息和號(hào)源……粗略評(píng)估，覆蓋大多數(shù)場(chǎng)景沒問題。

但我們也沒上來就動(dòng)手，而是先看了下市場(chǎng)上有沒有人做過：平臺(tái)型產(chǎn)品（康康、安診兒）偏健康咨詢，服務(wù)信息回答不了；垂類產(chǎn)品（訊飛曉醫(yī)）重問診，醫(yī)院運(yùn)營(yíng)類問題幾乎空白。

結(jié)論很明確：用戶有需求，市場(chǎng)沒人做，我們就決定試一試。

2.MVP思路驗(yàn)證需求，不用一開始就All in模型架構(gòu)

我們并沒有一上來就開干，而是利用MVP產(chǎn)品思維，用最小投入，在最短時(shí)間，驗(yàn)證最核心的用戶價(jià)值后，才立項(xiàng)。

當(dāng)時(shí)，秘塔AI搜索已有知識(shí)庫(kù)上傳能力，因此我將幾份醫(yī)院相關(guān)信息上傳到秘塔知識(shí)庫(kù)，讓秘塔基于知識(shí)庫(kù)回答，完成初步MVP方案。

整個(gè)知識(shí)庫(kù)搭建你們猜猜用了多久？

10分鐘。

能在這么短時(shí)間內(nèi)搭建一個(gè)MVP產(chǎn)品在以前是不敢想的，但現(xiàn)在有了各種AI產(chǎn)品的加持，不懂代碼的我也可以分分鐘搭建一個(gè)可用的產(chǎn)品。

搭建好后，我把這個(gè)醫(yī)院AI萬(wàn)事通發(fā)給同事、用戶體驗(yàn)，雖然略粗糙，甚至都沒有Prompt來優(yōu)化回答，他們依然覺得在獲取醫(yī)院信息上，提效了不少，因?yàn)檫@些信息原本需要他們自己去找公眾號(hào)、小紅書、找熟人問，甚至給醫(yī)院打電話咨詢的。

除了信息獲取的效率更高了，有些用戶甚至還想直接在MVP方案里找到合適的醫(yī)生在線問診、買藥品，或者掛號(hào)。你說巧不巧，我們正好也有在線問診醫(yī)生、藥品和號(hào)源，可以完美承接用戶訴求。

驗(yàn)證了用戶需求真實(shí)后，我們就開干了。

3.產(chǎn)品、運(yùn)營(yíng)、研發(fā)沒有邊界，誰(shuí)會(huì)誰(shuí)上

其實(shí)我們團(tuán)隊(duì)之前沒有專門為AI項(xiàng)目立過項(xiàng)，大多是某個(gè)子功能需要大模型能力，適當(dāng)引入大模型。而這次完全是基于大模型的產(chǎn)品，因此產(chǎn)品、運(yùn)營(yíng)、研發(fā)、測(cè)試團(tuán)隊(duì)也在項(xiàng)目中探索各自的工作邊界和如何協(xié)同。

現(xiàn)在回看過來，大家除了完成自己的本職工作，多多少少都會(huì)“插手”其他職能的工作。例如：

• MVP方案是產(chǎn)品獨(dú)立搭建的，完全無(wú)需研發(fā)參與；
• 運(yùn)營(yíng)會(huì)參與到寫Prompt的工作中來，和產(chǎn)品、研發(fā)一起迭代workflow；
• 研發(fā)會(huì)參與到用戶調(diào)研中，進(jìn)行用戶訪談和洞察提煉；
• 產(chǎn)品會(huì)直接寫知識(shí)庫(kù)結(jié)構(gòu)，和研發(fā)一起完成知識(shí)庫(kù)設(shè)計(jì)。

除了這些，大家也使出渾身解數(shù)來讓這個(gè)產(chǎn)品更完美，運(yùn)營(yíng)甚至?xí)芙紖^(qū)的醫(yī)院，親手拍下醫(yī)院的公示牌，以驗(yàn)證大模型回復(fù)問題的準(zhǔn)確性。雖然很辛苦，但大家都覺得值得。

4.不需要最好的模型，而是對(duì)的流程+對(duì)的模型

很多人以為做Agent就一定要用“最強(qiáng)的大模型”，比如GPT-4o，參數(shù)多、推理強(qiáng)、理解深。但在真實(shí)的工程實(shí)踐中，我們并不需要最強(qiáng)的模型，而是最合適的位置上，用最合適的模型。

舉個(gè)例子，在我們的Agent產(chǎn)品中，一個(gè)用戶的提問，背后可能會(huì)依次觸發(fā)這些模型：

【1】意圖識(shí)別模型 → 判斷患者意圖。

這個(gè)模型的職責(zé)很明確：快速、穩(wěn)定、低成本地判斷患者是在問：癥狀掛什么科？樓層位置在哪？醫(yī)院是否有停車場(chǎng)？此時(shí)，我們會(huì)選擇響應(yīng)快、成本低的模型，不需要多強(qiáng)的“思考力”，但必須穩(wěn)、準(zhǔn)、快的把意圖分發(fā)到對(duì)應(yīng)的工作流中。

【2】信息檢索模型 → 找到醫(yī)院信息、醫(yī)生、號(hào)源。

這一部分對(duì)“準(zhǔn)確性”要求極高，查錯(cuò)樓層、醫(yī)生信息會(huì)直接誤導(dǎo)用戶。所以我們更依賴結(jié)構(gòu)化數(shù)據(jù)庫(kù) + 檢索能力，而不是純靠生成模型自由發(fā)揮，能答對(duì)、答全、答準(zhǔn)最重要。

【3】內(nèi)容生成模型 → 給出清晰易懂的回答。

當(dāng)檢索到的信息結(jié)構(gòu)化地返回后，我們需要一個(gè)模型來“潤(rùn)色”回答，讓內(nèi)容更口語(yǔ)化、親和力強(qiáng)，符合醫(yī)療場(chǎng)景的語(yǔ)氣。這里我們用了中等能力的大模型（不是參數(shù)最多的那種），但做了精細(xì)的Prompt設(shè)計(jì)，以保證回復(fù)內(nèi)容“準(zhǔn)確、簡(jiǎn)潔、友好”。

【4】安全審查模型 → 確保內(nèi)容不出風(fēng)險(xiǎn)。

醫(yī)療是高度敏感的場(chǎng)景，模型不能亂推薦、不能瞎猜、不能打擦邊球，因此還需要做內(nèi)容過濾 + 安全規(guī)則審查。這部分模型必須加多重兜底機(jī)制，比如關(guān)鍵詞過濾、白名單、灰度控制等。

所以，我們的Agent產(chǎn)品不是“塞一個(gè)大模型進(jìn)去讓它全盤接管”，而是我們作為指揮官，讓對(duì)的模型，在對(duì)的節(jié)點(diǎn)，做對(duì)的事。

5.數(shù)據(jù)集和測(cè)評(píng)體系是落地Agent的生命線

在我們最初上線時(shí)，其實(shí)并沒有投入太多時(shí)間在“測(cè)評(píng)體系”上。我們以為只要大模型能答對(duì)幾個(gè)典型問題，效果就差不到哪兒去。

但事實(shí)是：我們踩坑了。

我們遇到過很多“看起來答了，其實(shí)沒答對(duì)”的問題，細(xì)看背后，其實(shí)都是缺乏測(cè)評(píng)集覆蓋導(dǎo)致的，例如：

用戶問：“我胸悶3天了現(xiàn)在一直咳嗽怎么辦？”

模型答：“建議撥打醫(yī)院電話咨詢”。

分析：這屬于意圖理解正確，但模型選擇了保守拒答且回答冰冷，說明缺少SFT微調(diào)+人文關(guān)懷+兜底機(jī)制。

用戶問：“我嗓子痛，順便能打HPV疫苗嗎？”

模型答：“建議您掛耳鼻喉科?！?/p>

分析：這屬于用戶有多個(gè)意圖，但只回答了一個(gè)，說明模型缺乏多意圖識(shí)別能力或缺少“主次信息判斷”的機(jī)制。

后來我們意識(shí)到，必須建立系統(tǒng)性的測(cè)評(píng)方式：

【1】構(gòu)建測(cè)評(píng)集。覆蓋所有核心意圖類型（癥狀問科室、問服務(wù)、問科普等）。

【2】拆分維度測(cè)評(píng)。每種意圖下的問法要覆蓋“規(guī)范問法”、“模糊問法”、“口語(yǔ)問法”、“單輪詢問”、“多輪詢問”等，甚至區(qū)分患者是老年、中年，還是兒童。

【3】精細(xì)標(biāo)注預(yù)期輸出。區(qū)分“正確 / 不完整 / 錯(cuò)位 / 胡編 / 拒答”等級(jí)。

【4】對(duì)錯(cuò)誤做歸因。到底是識(shí)別問題？檢索不到？提示詞沒寫好？語(yǔ)料覆蓋不足？

有了這些系統(tǒng)測(cè)評(píng)，我們才能讓模型從“能答”走向了“答得對(duì)、答得穩(wěn)”。

6.醫(yī)療場(chǎng)景一定要SFT，否則風(fēng)險(xiǎn)不可控

在通用大模型性能強(qiáng)大的今天，我們一開始也有幻想：“模型已經(jīng)很強(qiáng)了，說不定不用調(diào)教也能答得不錯(cuò)？”但當(dāng)我們真正把 Agent 放進(jìn)醫(yī)療場(chǎng)景里，才意識(shí)到：醫(yī)療，不是“說得像”，而是“必須對(duì)”。

不做 SFT（Supervised Fine-Tuning，監(jiān)督微調(diào)）會(huì)遇到什么問題？

• 模型會(huì)推薦醫(yī)院根本沒有的科室，因?yàn)樗鼜幕ヂ?lián)網(wǎng)上“想當(dāng)然地胡編”；
• 患者說“我孕早期肚子痛”，它說“掛消化內(nèi)科”，忽略了風(fēng)險(xiǎn)詞“孕”；
• 模型偶爾輸出“我建議您做××手術(shù)”，這是醫(yī)療禁區(qū)，普通模型完全沒邊界感。

這類問題極具隱蔽性，在 Demo 階段也許看不出來，一旦上線就可能出醫(yī)療事故式輿情。所以我們后來做了什么？

• 自建了醫(yī)療問答數(shù)據(jù)集，人工標(biāo)注 + 精調(diào)；
• 建立高風(fēng)險(xiǎn)關(guān)鍵詞庫(kù)，聯(lián)合內(nèi)容安全模型做多層過濾；
• 所有生成都限定在“回答服務(wù)信息 + 推薦問診掛號(hào)”這類低風(fēng)險(xiǎn)任務(wù)內(nèi)；
• 做多輪灰度測(cè)試，確保模型“寧愿不答，也不硬答”。

這次Agent項(xiàng)目，我最大的體會(huì)有兩點(diǎn)：

第一，哪怕是做 AI 的產(chǎn)品經(jīng)理，最重要的依然是，找到真實(shí)的用戶需求。

不是卷模型參數(shù)、不是堆復(fù)雜框架，而是踏踏實(shí)實(shí)地觀察用戶、理解問題、驗(yàn)證需求。

第二，我徹底放下了對(duì)“大模型”的盲目崇拜。

AI不是魔法棒，它只是一個(gè)強(qiáng)大的工具。真正讓產(chǎn)品落地的，從來都是：

• 真實(shí)的用戶調(diào)研
• 系統(tǒng)的數(shù)據(jù)測(cè)評(píng)
• 一次次“答錯(cuò)了為什么”的復(fù)盤