客户背景
行业
医疗健康 · 体检
规模
2 家门店 · 月体检 3 千
现状
医生人工解读 + 电话随访
期望
提升服务与复检率
客户痛点
1
报告解读人力不足
体检报告量大，医生逐个解读忙不过来。
2
异常指标随访滞后
异常指标随访靠人工电话，不及时也不系统。
3
复检率低
体检完就结束，缺乏后续健康管理，复检率低。
演示案例
实时演示 · 报告解读
就绪
输入
体检报告：总胆固醇 5.8 mmol/L（偏高）
Consolelogs · stdout
$ 初始化演示管线…
✓ 报告解读通俗化
✓ 异常分级中风险
✓ 健康方案自动
技术方案
01
报告 AI 解读
体检报告自动生成通俗解读与健康建议。
02
异常分级随访
按异常程度分级，自动生成随访计划与提醒。
03
个性化健康方案
根据体检结果生成复查与健康管理方案。
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
报告模板梳理
梳理体检项目与解读话术。
2
解读系统
开发报告解读。
3
随访系统
搭建异常分级随访。
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
报告解读耗时每份 10 分钟每份 1.5 分钟
随访及时率45%95%
复检率20%27%
“报告解读和随访都自动化了，异常指标一个不漏，客户更信任我们了。”
可复用场景
体检机构的报告解读
异常指标的随访管理
个性化健康管理方案