客户背景
行业
医疗健康 · 中医
规模
2 家门店 · 老客为主
现状
本子登记预约 + 手写病历
期望
提升效率与患者粘性
客户痛点
1
预约靠本子
预约登记在本子上，容易漏单、错排。
2
体质辨识耗时
体质问卷与病历记录全靠手写，问诊效率低。
3
复诊提醒缺失
调理周期与复诊时间没有系统提醒，患者易流失。
演示案例
实时演示 · 体质档案
就绪
输入
患者填写的体质问卷（9 题）
Consolelogs · stdout
$ 初始化演示管线…
✓ 体质辨识湿热质
✓ 档案生成自动
✓ 复诊提醒自动
技术方案
01
AI 预约排诊
线上预约智能排诊，自动确认与提醒。
02
体质档案生成
体质问卷自动生成健康档案，辅助辨证。
03
调理周期提醒
按调理周期自动推送复诊与用药提醒。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
问诊流程梳理
梳理预约、问诊、复诊流程。
2
预约系统
开发预约排诊。
3
档案系统
搭建体质健康档案。
4
试运行
单店试运行。
5
推广迭代
覆盖两家门店并优化。
上线前后对比
指标上线前上线后
预约管理耗时每天 2 小时每天 24 分钟
单次问诊记录8 分钟3 分钟
复诊率38%49%
“体质档案自动生成，复诊提醒自动发，患者粘性明显强了。”
可复用场景
中医、理疗机构的预约管理
体质健康档案的数字化
调理周期的复诊提醒