医疗问答为什么不能只靠裸大模型

医疗问答对可信度、时效性和安全边界要求都很高。通用大模型如果只依赖参数记忆作答，容易出现依据不清、知识更新慢和安全约束不稳定的问题。用户在就诊前咨询挂什么科、检查前注意什么、药物使用边界等问题时，需要的是先有知识依据，再给出有边界的回答。SmartMedicalConsultation 选择医疗场景，正是为了验证大模型在严肃垂直领域里如何被约束、被检索、被评估，而不是只追求回答流畅。

SmartMedicalConsultation 的项目链路

源文介绍，这套智慧问诊 Agent 系统以端到端项目形式展开：从医疗数据爬取开始，经过大模型抽取实体关系、构建知识图谱，再进入向量与图谱双路混合检索，最后由 LangGraph 多 Agent 协作生成回答，并通过 FastAPI 与 Vue 提供流式交互。这里的大模型不是孤立功能，而是嵌在数据、检索、接口和前端体验之中的一个工程模块。

GraphRAG 让语义和事实互相补位

单纯向量检索更擅长处理语义相近的问题，比如用户说“头疼”，系统可以找到更规范的“头痛”表达；知识图谱则更擅长承载结构化事实，如症状、疾病、药物、科室和检查之间的关系。项目使用 BGE-M3 编码向量，配合 FAISS 召回语义实体，再到 Neo4j 中扩展事实关系。向量负责找得近，图谱负责查得清，两条路径组合起来，才能让回答既能理解口语，又能追溯到结构化知识。

实体链接和 Text2Cypher 补上精确查询能力

在严肃问答里，模糊匹配不能无限放大。项目为实体链接设置较高阈值，宁可少命中，也不轻易把口语表达错连到错误实体。面对多跳关系或聚合类问题，系统还会把自然语言翻译成只读 Cypher 查询，由 Neo4j 返回结构化结果。只读约束和多层防护能减少误写数据库的风险，也让复杂查询不完全依赖模型临场发挥。

LangGraph 把 9 个 Agent 组织成状态图

项目没有把全部能力压进一个超长提示词，而是按职责拆成意图识别、症状检测、科室推荐、用药建议、医学知识、就医指导、安全检查、答案融合和通用对话等多个 Agent。LangGraph StateGraph 负责状态流转和条件路由，用户问题进入系统后，先识别意图，再进入合适分支；除通用对话外，医疗相关分支最终都会汇聚到安全检查环节。这种结构让项目更像真实业务系统，而不是一次性的演示脚本。

grounded-ReAct 要求知识题先检索再回答

源文提到，评测曾发现“检索可选”的 ReAct 流程会让模型在部分知识题中跳过知识库、直接凭记忆回答。项目随后把医学知识分支改成更稳的三段式：先强制混合检索，再在检索结果上叠加可选 ReAct 多跳推理；遇到相互作用、剂量、禁忌等高风险问题，如果检索落空，就不编答案，而是建议咨询医生或药师。这个调整很典型：真实项目要允许模型变聪明，也要限制它自作主张。

确定性安全层不把底线交给模型自觉

安全检查采用规则引擎，而不是让大模型自己判断自己是否安全。所有医疗类回答都要附加必要免责声明；胸痛、呼吸困难等急症症状要优先提示及时就医；用药相关问题要追加遵医嘱或药师指导提醒。规则层的价值在于稳定、可检查、可回归，能够在架构上给模型输出划边界。

评估门禁让项目质量有数字依据

项目设置了 53 条金标评估集，并结合规则、参考答案、RAGAS 和 LLM 裁判等方式进行自动化评估。源文给出的结果包括免责声明覆盖率 100%、急症召回 100%、意图准确率 98.1%、综合分 0.911。对学员来说，这部分比单纯展示页面更重要，因为它说明一个大模型应用上线前要有可复测的质量门槛，也要形成“发现问题、量化问题、修复问题、回归验证”的闭环。

分层架构降低复杂系统的维护难度

整个系统按数据层、智能体层、API 层和前端层拆分。数据层负责爬虫、LLM 抽取、Neo4j 知识图谱和 FAISS 向量索引；智能体层负责编排 9 个 Agent；API 层使用 FastAPI 与 SSE 做流式输出；前端层用 Vue3 和 Element Plus 组织问答界面，并结合 Redis 与 MySQL 处理对话历史。分层之后，每个模块职责更清楚，也方便后续定位召回、回答、安全或前端交互中的问题。

从 Prompt、RAG 到微调的迭代路径

项目迭代遵循 Prompt、RAG、微调的顺序。主问答链路可以先用云端模型加 GraphRAG 跑通，验证业务闭环；实体和关系抽取因为格式固定、调用频繁、数据敏感，更适合后续微调。源文提到使用 LlamaFactory 基于项目数据构造“疾病文本到结构化 JSON”的样本，微调 Qwen2.5-1.5B，并通过 vLLM 提供 OpenAI 兼容服务。这样做不是为了追概念，而是把成本、延迟、命中率和数据边界放到同一个工程问题里衡量。

黑马程序员项目对学习者的价值

这类项目能把大模型开发常见知识点放进一个完整场景：RAG、知识图谱、LangGraph、多 Agent、FastAPI、Vue、FAISS、Neo4j、Redis、MySQL、评估门禁、LoRA 微调和 vLLM 部署，不再只是孤立工具名。对准备进入 AI 应用开发方向的学员来说，真正值得学习的是如何把模型能力接入业务流程，如何通过检索和规则减少不确定性，如何用评估和可观测让项目长期可维护。

结论：可信问答靠工程体系支撑

SmartMedicalConsultation 展示的重点，是大模型从“能回答”走向“有依据地回答”。医疗只是验证场景，背后的方法可以迁移到法律文书审核、智能客服、教育辅导、金融合规等同样要求可信、可控、可追踪的垂直领域。大模型应用真正落地时，模型只是核心之一；数据治理、检索架构、工作流编排、安全规则、评估门禁和部署成本，都会共同决定项目能否成为可交付系统。

常见问题