企业官网建设流程全解析

第一章 医疗AI的核心服务对象

医疗AI的应用围绕不同主体的核心需求展开，先明确服务对象，才能对应找到AI的落地场景，核心服务对象分为核心类和拓展类，零基础先掌握核心类即可。

核心服务对象

1. 普通用户：包含健康人群、亚健康人群、患病人群（慢病/急性病），核心需求是健康咨询、疾病管理、用药指导、健康预防等；

1. 医生：核心需求是工作减负、临床决策辅助、科研支持、专业培训；

1. 医院：核心需求是整体运营提效、患者管理、数据整合与应用；

1. 药店：核心需求是用药咨询、药师辅助、门店运营效率提升。

拓展服务对象

药企（新药研发、科研支持）、保险公司（健康险风控、用户健康管理）、体检机构（报告解读、导诊、健康管理）、康养机构/养老院（老人照护、健康监测）、卫健委/公共卫生机构（健康科普、公共卫生管理）等，这类主体的AI应用多基于核心场景延伸。

第二章 各服务对象的AI核心应用场景

核心逻辑：先拆分服务对象的具体需求，再找到需求中可被AI替代/辅助的节点，这是医疗AI落地的核心思路。以下场景均为经过实践验证、可落地的方向，零基础优先掌握核心场景。

2.1 普通用户侧（C端）：最贴近日常，落地场景最丰富

核心需求：解决「日常健康问题不用跑医院」「慢病长期管理」「用药看不懂」等问题，AI以健康助理/管理师的角色落地。

1. 健康咨询与智能导诊

• 核心需求：日常健康问题解答、就医前科室推荐、检查前准备指导、检查报告解读、就医流程讲解；

• AI落地方式：①大模型直接QA对话（简单问题即时解答）；②健康管理Agent多轮对话（结合用户历史健康数据，主动沟通并给出个性化建议）；

• 落地价值：解决「挂错科、白跑医院」的刚需，减少线下就医的时间成本。

1. 慢病管理

• 核心慢病：糖尿病、痛风/尿酸高、高血压等（无法根治，需要长期管理的疾病）；

• AI落地方式：Agent持续记录用户的慢病指标、解读指标异常、主动提醒复查/用药、给出生活方式干预建议（饮食/运动），可对接医院数据实现信息互通；

• 落地价值：替代人工健康管理师，实现慢病的长期、个性化跟踪。

1. 用药管理与药学服务

• 核心需求：看不懂药品说明书（尤其老年人）、不清楚用药剂量/时间（饭前/饭后）、多种药物联用禁忌；

• AI落地方式：基于药品说明书的RAG技术实现精准解答（禁止大模型凭空回答，必须依托真实药品数据），Agent结合用户病史给出个性化用药建议；

• 关键注意：AI仅做信息解读，不做用药决策，最终遵医嘱。

1. 健康管理与预防

• AI落地方式：体检报告解读、生成个性化健身/减重计划、饮食打卡与分析、健康风险预警；

• 适用人群：健康/亚健康人群，主打「预防大于治疗」。

1. 心理健康预防与干预

• AI落地方式：大模型做常规心理疏导、情绪监测、心理科普，严重心理问题直接引导至线下心理咨询师；

1. 患者教育（患教）与家庭照护

• 患教：AI生成医疗科普内容（文字/视频），讲解小病小灾的预防和处理，减少医生接诊压力（卫健委明确要求医院开展患教工作）；

• 家庭照护：针对老人/术后患者，AI给出家庭照护指导、康复训练建议。

2.2 医生侧：核心是「减负+专业支持」，不替代医生

核心需求：减少重复性工作、提升临床决策效率、满足科研/培训需求，AI以医生助理的角色落地，所有AI输出均为辅助，最终决策由医生做出。

1. 医患对话转病历，自动生成病历

• 核心痛点：医生边问诊边打字写病历，耗时耗力；

• AI落地方式：复刻「会议纪要生成」逻辑，语音提取医患对话的关键信息，自动生成结构化病历，医生仅需审核修改；

• 技术成熟度：技术上已完全成熟，暂未大规模落地，是医疗AI的重要落地场景。

1. 临床决策支持

• AI落地方式：结合患者病历、检查报告，为医生提供诊疗建议、疾病排查方向；

• 关键认知：普通医生的基础诊疗建议与大模型（ChatGPT/Gemini）无明显差异，专家医生的核心价值是给出明确、斩钉截铁的判断，这是AI目前无法替代的；

• 注意：AI仅做辅助，不承担诊疗责任。

1. 医学科研助手

• 核心需求：医生评级（住院医→主治→主任）需要做科研，存在文献检索、数据整理、论文撰写的需求；

• AI落地方式：AI检索医学文献、整理科研数据、撰写论文初稿，与研究生的科研助手工作逻辑一致。

1. 医生教育（医教）与专科培训

• AI落地方式：为医生提供前沿医疗技术/设备的培训内容、专科疾病的诊疗思路讲解，与企业员工培训逻辑一致。

1. 患者沟通随访管理

• 核心痛点：医生无时间做患者随访、健康科普；

• AI落地方式：AI替代医生做常规患者随访、术后提醒、健康信息推送，节省医生时间。

2.3 医院侧：核心是「企业化效率赋能」

医院本质是医疗服务类企业，AI应用围绕运营提效、数据管理、人员考评展开，与普通企业的AI效率赋能逻辑一致，比如：患者数据整合管理、医院运营数据分析、医护人员工作考评数据统计等，零基础学员无需深入，了解核心方向即可。

2.4 药店侧：核心是「药师辅助+门店运营」

1. 核心行业背景：药店是医疗AI的重要落地场景，院边药店和连锁药店盈利性强，医院优先开中成药，进口药多在药店购买；

1. AI落地核心场景

• 用药咨询/药师辅助：替代药师做基础用药解答，专业问题由执业药师审核，解决药店药师人力不足的问题；

• 门店运营：AI做店员培训、药品知识库管理、门店销售数据分析、私域用户健康管理；

• 关键注意：药店必须配备执业药师，AI仅做辅助，不可替代。

2.5 拓展对象侧：场景均为核心场景延伸

1. 药企：AI做新药研发、医学文献分析、科研数据整理，核心是「科研支持」；

1. 保险公司：AI做健康险风控（结合用户健康数据评估风险）、投保用户健康管理，保险是医疗AI重要的变现手段；

1. 体检机构：AI做导诊、体检报告解读、个性化体检套餐推荐、体检后健康管理，与普通用户侧场景一致。

第三章 医疗AI主流商业产品解析

零基础学员先通过商业产品直观感受医疗AI的落地形态，无需深入产品架构，重点了解产品定位、核心功能和体验特点，以下为目前医疗AI领域的主流产品。

3.1 蚂蚁阿福（阿里系）

1. 产品定位：主打C端普通用户，兼顾B端（医生/医院/药店）入驻，是目前国内数据打通最完善的医疗AI产品；

1. 核心功能：覆盖C端所有核心场景（健康咨询、慢病管理、用药指导、报告解读、就医导诊），B端支持医生/医院入驻生成专属智能体（Agent），可关联支付宝医保数据、就医记录；

1. 体验特点：功能完整但用户体验一般（操作卡顿），数据整合能力强（阿里系的核心优势）；

1. 学习价值：想要进入医疗AI领域，可重点关注蚂蚁阿福的产品逻辑，国内能真正把医疗健康数据用起来的平台较少，蚂蚁是其中之一。

3.2 讯飞小艺（讯飞医疗）

1. 产品定位：主打ToB端（医院/药店/民办医疗机构），讯飞有自研大模型，ToB服务经验丰富；

1. 核心功能：全科医生助理、临床决策支持、药店药师辅助、医疗机构运营提效；

1. 体验特点：暂未推出成熟C端产品，ToB解决方案框架完善，多与民办医院合作；

1. 学习价值：可参考其ToB医疗AI的产品架构，适合想要做医疗AI ToB业务的学习者。

3.3 OpenAI Healthcare（OpenAI内测产品）

1. 产品定位：C端个人健康管理，仅OpenAI Plus用户可内测；

1. 核心功能：关联Apple Watch等智能设备的健康数据，解读体检报告，提供个性化健康建议，大模型做专属健康QA；

1. 体验特点：交互流畅，基于OpenAI大模型的自然语言理解能力强，数据来源以用户自主上传为主；

1. 学习价值：参考其个人健康管理的交互逻辑和数据处理方式，适合做C端医疗AI产品的参考。

第四章 医疗AI优质开源项目推荐

开源项目是零基础学员实操学习的核心素材，无需从零开发，可直接拆解开源项目的代码、逻辑和提示词，以下为经过筛选的优质开源项目，分「面向用户」和「面向医生」两类，均为可直接体验/部署的项目。

4.1 面向普通用户的开源项目

1. Openhealth

• 核心功能：基础健康咨询QA、个人健康数据管理、健康Agent多轮对话，内置不同场景的智能体，可自定义提示词；

• 部署/学习要点：可直接在本地机器体验，无需重新部署，内置O3 all mini免费模型，可拆解其Agent提示词写法和健康数据提取逻辑；

• 学习价值：最适合零基础入门的医疗AI开源项目，完整覆盖C端核心场景。

1. 个人健康管理看板

• 核心功能：记录日常健康数据（运动/用药/饮食）、体检报告解读、AI生成健康分析报告、数据可视化看板；

• 学习要点：拆解其健康数据的存储与分析逻辑、AI报告生成的格式规范，适合学习个人健康管理的产品设计。

4.2 面向医生的开源项目

临床记录转报告项目

• 核心功能：上传患者临床记录/病历，AI自动提取关键数据，生成结构化的诊疗报告；

• 学习要点：拆解其病历数据提取逻辑、医疗报告的格式规范、数据缺失时的处理方式；

• 实操技巧：可将项目代码扔给Cursor（代码AI工具），让AI帮你分析核心逻辑，无需手动逐行解读。

开源项目学习方法（零基础专属）

1. 先体验项目的核心功能，直观感受落地形态；

1. 拆解项目的提示词和数据处理逻辑（重点），而非单纯看代码；

1. 用AI工具（Cursor/文心一言代码版）辅助分析代码，降低学习难度。

第五章 医疗AI落地的三大核心技术要点

这是医疗AI的核心知识点，零基础学员无需深入技术开发，重点理解技术要求和落地原则，知道「做医疗AI需要注意什么」，避免踩坑。

5.1 模型选型：通用模型+垂直模型结合，禁止单用通用模型

医疗行业有大量专业术语、缩写和垂直领域知识，通用大模型（ChatGPT/文心一言）的训练数据无法覆盖，因此必须通用模型做基础，垂直模型做专业支撑。

1. 通用模型：用于日常对话、基础信息处理、基于外挂知识的简单响应（如药品说明书解读、体检报告基础解答），核心是「处理通用场景，框定回答范围」；

1. 垂直模型：针对医疗细分领域的专用模型，如心血管疾病识别、医疗术语嵌入、医学OCR识别等，核心解决专业垂直问题；

1. 优质垂直模型参考：Open Med（医疗领域主流开源垂直模型集合，包含175+医疗专用模型，托管在Huggingface/ModelScope平台），涵盖疾病识别、医学嵌入、OCR识别等所有医疗AI所需的垂直能力；

1. 关键要求：医疗术语（如CV-33-4）、疾病缩写、科室专用表达，必须用垂直嵌入模型赋予语义，否则通用模型会忽略其价值，导致回答错误。

5.2 输出管控：明确AI的「能说」和「不能说」，避免医疗风险

医疗AI的输出直接关系到用户健康，必须做严格的输出管控，核心是破除大模型的医疗回答限制，同时明确AI的回答边界。

1. 破除大模型原有约束：通用大模型在训练时被约束「不做医疗诊断、不解答医疗问题」，做医疗AI时需通过提示词让模型明确「自身角色为健康助理/医生助理，可解答医疗相关问题」；

1. 明确AI的「不能说」

• 非所属科室的问题不回答：如骨科智能体遇到皮肤问题，直接引导至皮肤科，不做任何解读；

• 指标达到临界值/急性病症状：不做分析，直接提醒用户「立即去医院/打120」；

• 不做最终决策：所有回答末尾需标注「仅供参考，最终遵医嘱/及时就医」；

1. 管控示例：蚂蚁阿福中，若在骨科板块问皮肤问题，会直接跳转到皮肤科，无任何多余解读。

5.3 私有数据应用：区分数据类型，拒绝「一切都用RAG」

医疗AI的核心是数据驱动，用户的病历、体检报告、用药记录等私有数据的应用方式，直接决定AI回答的准确性，RAG（检索增强生成）是重要手段，但并非万能，需根据数据类型选择应用方式。

1. 适合用RAG的私有数据：药品说明书、医患问诊记录、医疗科普文献、非结构化的病历文本（纯文字）；

1. 不适合用RAG的私有数据：体检报告中的表格数据（血脂、白细胞等数值）、健康指标数据、结构化的病历信息（如年龄/病史/诊断结果）；

1. 不同数据的正确应用方式

• 表格/数值类数据：用Python/SQL直接查询，做数据对比分析，避免RAG的错误召回；

• 用户基础信息（年龄/性别/基础病史）：直接写死在Agent的上下文对话中，无需RAG/查询；

• 非结构化文本（说明书/问诊记录）：用RAG做精准检索解答；

1. 核心原则：能不用RAG就不用，能用文档/表格/数据库处理的，优先用对应方式，RAG仅作为「非结构化文本」的补充手段。

第六章 零基础实操：搭建简易健康管理Agent

Agent（智能体）是未来医疗AI的核心落地形态，本次实操基于Openclow框架（医疗AI主流Agent框架），搭建一个简易的个人健康管理Agent，零基础学员无需深入代码开发，重点掌握Agent的核心架构和提示词写法。

6.1 前置准备

1. 了解Openclow框架：一款支持多Agent并行的智能体框架，可自定义Agent的角色、技能和数据管理方式；

1. 核心认知：健康管理Agent的本质是「定义角色+配置技能+管理数据」，无需从零开发，可基于开源模板修改。

6.2 健康管理Agent的核心架构（Openclow框架）

所有Openclow的Agent均由以下核心模块组成，零基础学员先掌握模块功能，再做配置：

1. [agents.md](agents.md)：Agent的核心描述文件，写死在上下文对话中，包含Agent的角色、工作原则、服务对象；

1. role：Agent的灵魂，定义其身份（如「个人健康管理师」）、核心职责；

1. tools：Agent的可用工具，如数据查询、报告解读、健康分析等（可自定义）；

1. user info：用户的基础信息，如年龄/性别/基础病史/慢病情况；

1. timed task：定时任务，如每日健康打卡提醒、慢病指标复查提醒；

1. skills：Agent的核心技能，如体检报告解读、用药指导、饮食计划生成（每个技能对应一个功能模块）；

1. data management：数据管理，分类存储用户的健康数据（用药记录、体检报告、运动数据等）。

6.3 简易搭建步骤（零基础版）

1. 创建Agent工作空间：在终端输入Openclo agents，自定义Agent名称（如「HealthManager」）和工作空间路径，Openclow会自动生成干净的Agent框架；

1. 配置核心描述（[agents.md](agents.md)）：用简单的语言定义Agent角色，示例：「你是一名专业的个人健康管理师，为用户提供健康咨询、体检报告解读、慢病管理、用药指导服务，所有回答均基于真实医疗数据，仅供参考，最终遵医嘱」；

1. 填写用户基础信息（user info）：如「用户，30岁，女性，无基础病史，亚健康，存在睡眠不足问题」；

1. 配置核心技能（skills）：添加3个基础技能即可，①体检报告解读 ②日常健康咨询 ③饮食计划生成，每个技能的描述简单明确；

1. 添加定时任务（timed task）：如「每日20点提醒用户健康打卡，每周日生成一次周健康分析报告」；

1. 关联基础数据：将用户的体检报告、用药记录等数据按类型存储在数据管理模块，无需做复杂的代码关联。

6.4 核心技巧：用短提示词生成Agent的详细配置

原实践中用不超过200字的短提示词生成了近万字的医疗AI场景内容，零基础学员可复用此技巧，快速生成Agent的配置内容，提示词核心逻辑：明确角色+明确需求+明确输出格式。

提示词示例：「请你作为Openclow框架的配置师，为我生成一个个人健康管理Agent的完整配置，角色是个人健康管理师，服务对象是亚健康的年轻用户，核心功能包含体检报告解读、健康咨询、饮食计划生成，输出格式包含[agents.md](agents.md)、role、skills、timed task的具体内容，语言简洁，符合医疗AI的输出管控原则」。

6.5 实操体验

搭建完成后，可向Agent发送简单的指令（如「解读我的体检报告，报告中血脂略高」），观察Agent的回答，重点优化回答的准确性和角色的一致性，零基础学员无需追求完美，能实现基础对话和功能即可。

第七章 零基础学员的学习建议与行业避坑指南

7.1 学习路径（从零基础到入门）

1. 第一步：熟悉场景：反复学习第二章的核心应用场景，建立「服务对象-需求-AI落地方式」的对应思维，这是医疗AI的核心；

1. 第二步：体验产品：下载蚂蚁阿福，体验C端医疗AI的所有功能，直观感受落地形态；

1. 第三步：拆解开源项目：重点拆解Openhealth的提示词和数据处理逻辑，无需深入代码；

1. 第四步：简易实操：跟随第六章搭建健康管理Agent，掌握Agent的核心架构和提示词写法；

1. 第五步：了解技术要点：掌握第五章的三大核心技术要点，知道医疗AI的落地禁忌和关键要求。

7.2 实操建议

1. 善用AI工具：用Cursor分析开源项目代码，用ChatGPT生成Agent配置提示词，降低学习难度；

1. 重逻辑轻代码：零基础学员无需先学编程，重点理解「医疗场景与AI技术的匹配逻辑」，编程可后续逐步学习；

1. 从C端入手：C端医疗AI的场景更丰富、落地更直观，适合零基础入门，再逐步了解B端场景。

7.3 行业避坑指南

1. 禁止AI做医疗决策：医疗AI的核心是「辅助」，永远不能替代医生做最终的诊疗/用药决策，这是行业红线；

1. 拒绝依赖通用模型：单用通用大模型做医疗AI，回答必然不准确，必须结合垂直模型；

1. 重视数据打通：医疗AI的核心是数据，没有用户/医院/药品的真实数据，所有场景都是「空中楼阁」；

1. 不要忽视输出管控：医疗行业的风险极高，AI的回答边界必须严格管控，避免因回答错误导致医疗事故；

1. AI无法替代专家医生：普通医生的基础工作可被AI辅助，但专家医生的临床经验和明确判断，是AI目前无法替代的。

附录 医疗AI核心专业术语解释（零基础版）

1. Agent（智能体）：具备自主思考、对话和完成特定任务的AI角色，如个人健康管理师、医生助理；

1. RAG（检索增强生成）：AI先从真实的知识库中检索相关信息，再基于检索结果生成回答，避免凭空回答；

1. 垂直模型：针对某一特定领域的专用AI模型，区别于通用大模型，医疗垂直模型仅用于医疗领域；

1. embedding（嵌入）：将文字/术语/缩写转化为计算机能理解的向量，医疗嵌入模型专门处理医疗术语的语义转化；

1. RLHF（人类反馈强化学习）：大模型的训练方式之一，通过人类的反馈优化模型的回答，通用大模型的医疗约束即来自RLHF；

1. 慢病：慢性非传染性疾病，无法根治，需要长期管理，如糖尿病、高血压、痛风；

1. 患教/医教：患教=患者教育，为普通用户做医疗科普；医教=医生教育，为医生做专业培训；

1. OCR（光学字符识别）：将图片/文档中的文字提取为可编辑的文本，医疗OCR专门处理体检报告、病历等医疗文档的文字提取；

1. Huggingface/ModelScope：AI模型的托管平台，可免费获取各类开源的医疗垂直模型。