提示工程架构师案例拆解：某三甲医院用Agentic AI优化门诊流程的成功经验

规则引擎：依赖固定逻辑，无法处理「患者咳嗽三周想找擅长慢性咽炎的专家」这类模糊需求；单任务模型：只能完成「预约挂号」或「报告查询」等单一任务，无法跨系统联动；无记忆能力：每次交互都是「从零开始」，无法记住患者的历史偏好（如「患者上次讨厌早起挂号」）。而Agentic AI（智能体AI）的核心优势，正是解决这些问题：Agentic AI是具备自主目标规划、多工具调用、持续记忆与学习能力的智能系统，能

2501_91590464

385人浏览 · 2025-08-31 00:50:54

2501_91590464 · 2025-08-31 00:50:54 发布

提示工程架构师案例拆解：某三甲医院用Agentic AI优化门诊流程的成功经验

一、门诊流程的「痛」：从患者、医生到医院的三重困境

清晨7点，老张带着咳嗽三周的母亲赶到某三甲医院呼吸科门诊。他的就诊路线是这样的：

挂号：线下窗口排队30分钟，被告知专家号已售罄，只能挂普通号；
候诊：诊室门口等了1小时，听到叫号才发现排错了诊室；
就诊：医生花5分钟问病史，开了CT检查单；
缴费：收费窗口排队20分钟，发现没带医保卡，又得回去取；
检查：CT室排队1.5小时，被告知当天做不了，要预约明天；
取报告：第二天再跑一趟，等了40分钟拿到报告，再找医生解读……

这不是个例。某三甲医院2022年的运营数据显示：

患者平均就诊时长4.2小时，其中排队/等待时间占比65%；
医生每小时接诊8-10人，约30%的时间用于核对病历、开单等重复性工作；
医院预约爽约率15%，号源浪费严重；
患者满意度评分仅4.2/5（满分），核心投诉集中在「流程繁琐」「信息不透明」。

这些痛点的根源，在于传统门诊流程的「线性化」与「信息孤岛」：

患者端：信息差大（不知道该挂哪个科、专家何时出诊）、操作繁琐（多次排队、重复提交资料）；
医生端：需手动整合分散在HIS（医院信息系统）、EMR（电子病历）、LIS（实验室信息）等系统的数据；
医院端：资源分配失衡（热门专家号源紧张，普通医生号源闲置）、流程缺乏弹性（无法应对突发情况如专家临时停诊）。

二、为什么是Agentic AI？——打破传统AI的「被动响应」困境

面对这些痛点，传统AI（如规则引擎、单任务模型）的解决方案往往「力不从心」：

规则引擎：依赖固定逻辑，无法处理「患者咳嗽三周想找擅长慢性咽炎的专家」这类模糊需求；
单任务模型：只能完成「预约挂号」或「报告查询」等单一任务，无法跨系统联动；
无记忆能力：每次交互都是「从零开始」，无法记住患者的历史偏好（如「患者上次讨厌早起挂号」）。

而Agentic AI（智能体AI）的核心优势，正是解决这些问题：
Agentic AI是具备自主目标规划、多工具调用、持续记忆与学习能力的智能系统，能像「人类助手」一样理解复杂需求、协调资源、解决问题。其核心逻辑可以概括为：

感知需求 → 分解任务 → 调用工具 → 整合结果 → 学习优化

对比传统AI，Agentic AI的「门诊流程优化能力」更贴合医疗场景：

能力维度	传统AI	Agentic AI
需求理解	只能处理明确指令（如「挂呼吸科」）	能理解模糊需求（如「咳嗽三周找专家」）
任务处理	单任务执行	多任务联动（如「预约+提醒+报告解读」）
系统联动	无法跨系统调用	能对接HIS/EMR/LIS等多系统
个性化服务	无记忆，千篇一律	记忆患者偏好（如「讨厌早上就诊」）
学习能力	静态模型，无法迭代	持续学习用户反馈（如「优化预约算法」）

三、Agentic AI的核心架构：从「概念」到「医疗场景落地」

要理解Agentic AI如何优化门诊流程，我们需要先拆解其核心组件——这是实现「自主决策」的关键：

1. Agentic AI的三大核心模块

Agentic AI的架构可以抽象为「感知-决策-执行」的闭环，核心包含三个模块：

（1）目标规划器（Goal Planner）

功能：将用户的模糊需求拆解为可执行的子任务（类似「项目经理拆分项目」）。
原理：基于大语言模型（LLM）的思维链（Chain of Thought, CoT） + 领域规则引擎。

LLM负责理解自然语言需求（如「咳嗽三周找呼吸科王主任」）；
规则引擎确保子任务符合医疗规范（如「必须先验证患者身份才能预约」）。

示例：用户需求「咳嗽三周想找呼吸科王主任」的任务分解：

提取实体：症状（咳嗽三周）、科室（呼吸科）、专家（王主任）；
验证患者身份：调用EMR系统确认患者历史就诊记录；
查询专家排班：调用HIS系统获取王主任的近期号源；
匹配患者偏好：从记忆模块获取患者「讨厌早上就诊」的历史记录；
推荐最优时间：结合号源与偏好，推荐「明天下午2点」；
确认预约：发送短信链接让患者确认。

（2）工具调用引擎（Tool Caller）

功能：对接医疗系统的API，执行具体任务（类似「助手调用Excel、邮件等工具完成工作」）。
原理：采用适配器模式（Adapter Pattern） + API网关，解决医疗系统「接口异构」问题（如HIS用XML，EMR用HL7，LIS用JSON）。

适配器：将不同系统的接口转换为统一格式（如JSON）；
API网关：管理接口权限、流量控制、异常重试（如HIS接口超时后自动重试）。

示例：调用HIS系统查询王主任排班的流程：

目标规划器生成「查询王主任排班」的任务；
工具调用引擎选择「HIS排班适配器」；
适配器将任务转换为HIS系统的XML请求；
发送请求到HIS系统，获取排班数据；
适配器将XML结果转换为JSON，返回给目标规划器。

（3）记忆模块（Memory Module）

功能：存储患者的历史交互数据（如症状、偏好、就诊记录），实现「个性化服务」。
原理：采用向量数据库（Vector Database） + 语义检索。

向量数据库（如Chroma DB、Pinecone）：将患者的文本数据（如「咳嗽、讨厌早上」）转换为高维向量，实现快速相似性检索；
语义检索：当患者再次交互时，检索「最相似的历史记录」（如「患者上次咳嗽时预约了下午的号」）。

数学模型：向量相似度计算（余弦相似度）
$\frac{a \cdot b}{||a|| \times ||b||}$
其中：

$a$ ：当前患者的需求向量（如「咳嗽三周，找王主任」）；
$b$ ：历史患者的记录向量（如「2023年10月，咳嗽两周，预约王主任下午号」）；
$S imi l a r i t y (a, b)$ ：相似度越高，说明历史记录越相关。

2. 某三甲医院的Agentic AI门诊优化架构全貌

结合上述模块，该医院的Agentic AI架构分为四层（Mermaid流程图）：

graph TD
    A[用户交互层] --> B[Agentic AI核心层]
    B --> C[医疗系统适配层]
    C --> D[基础设施层]
    
    %% 用户交互层
    A -->|患者端| 小程序/APP/自助机
    A -->|医生端| 医生工作站
    A -->|医院端| 运营管理平台
    
    %% Agentic AI核心层
    B --> B1[目标规划器：任务分解与决策]
    B --> B2[工具调用引擎：API适配与执行]
    B --> B3[记忆模块：向量存储与检索]
    B --> B4[学习引擎：用户反馈迭代]
    
    %% 医疗系统适配层
    C --> C1[HIS适配器：号源/排班]
    C --> C2[EMR适配器：病历/病史]
    C --> C3[LIS适配器：检验报告]
    C --> C4[PACS适配器：影像数据]
    
    %% 基础设施层
    D --> D1[云服务器：弹性计算]
    D --> D2[向量数据库：Chroma DB]
    D --> D3[关系数据库：PostgreSQL]
    D --> D4[AI模型：OpenAI GPT-4/本地化模型]

各层功能详解：

用户交互层：连接患者、医生、医院的入口，提供自然语言交互（如小程序的「智能助手」）；
Agentic AI核心层：系统的「大脑」，实现目标规划、工具调用、记忆与学习；
医疗系统适配层：对接医院现有系统的「翻译官」，解决接口兼容性问题；
基础设施层：提供计算、存储与AI模型支持，确保系统高可用（如用云服务器应对就诊高峰）。

四、核心模块实现：从「理论」到「代码」的落地

我们以「患者预约呼吸科王主任」为例，拆解核心模块的代码实现（采用Python + LangChain + Chroma DB）。

1. 开发环境搭建

所需工具：

Python 3.9+：核心开发语言；
LangChain：智能体开发框架（简化LLM调用与任务链管理）；
Chroma DB：轻量级向量数据库（存储患者记忆）；
FastAPI：搭建API接口（对接前端小程序）；
Docker：容器化部署（确保环境一致性）。

安装步骤：

# 安装LangChain
pip install langchain langchain-openai

# 安装Chroma DB
pip install chromadb

# 安装FastAPI
pip install fastapi uvicorn

2. 目标规划器：用LangChain实现任务分解

目标规划器的核心是「将自然语言需求转换为可执行的子任务」，我们用LangChain的SequentialChain（顺序链）实现：

from langchain.chains import SequentialChain
from langchain.prompts import PromptTemplate
from langchain_openai import OpenAI
from langchain.schema import HumanMessage

# 1. 初始化LLM（使用OpenAI GPT-4，可替换为本地化模型如Llama 3）
llm = OpenAI(
    model_name="gpt-4",
    temperature=0.1,  # 降低随机性，确保输出稳定
    api_key="your-openai-key"
)

# 2. 定义Prompt模板：提取用户意图与实体
extract_prompt = PromptTemplate(
    input_variables=["user_input"],
    template="""请从用户输入中提取以下信息：
    - 意图（如：预约专家号、咨询症状、查询报告）
    - 实体（症状、科室、专家姓名、时间偏好）
    输出格式要求：JSON格式，键为"intent"和"entities"。
    用户输入：{user_input}"""
)

# 3. 定义Prompt模板：查询专家排班
schedule_prompt = PromptTemplate(
    input_variables=["entities"],
    template="""根据以下实体信息，调用HIS系统的专家排班接口：
    实体：{entities}
    请生成API请求参数（科室ID：呼吸科=101，王主任ID：2001），输出格式为JSON。"""
)

# 4. 定义Prompt模板：推荐最优预约时间
recommend_prompt = PromptTemplate(
    input_variables=["entities", "schedule", "memory"],
    template="""根据以下信息推荐最优预约时间：
    1. 患者实体：{entities}
    2. 专家排班：{schedule}
    3. 患者历史偏好：{memory}
    要求：优先匹配患者时间偏好，避免专家号源冲突。"""
)

# 5. 构建顺序链：提取实体→查询排班→推荐时间
overall_chain = SequentialChain(
    chains=[
        LLMChain(llm=llm, prompt=extract_prompt, output_key="extracted"),
        LLMChain(llm=llm, prompt=schedule_prompt, output_key="schedule_params"),
        LLMChain(llm=llm, prompt=recommend_prompt, output_key="recommendation")
    ],
    input_variables=["user_input", "memory"],
    output_variables=["extracted", "schedule_params", "recommendation"],
    verbose=True  # 打印流程日志
)

# 6. 测试：用户输入「咳嗽三周想找呼吸科王主任」
user_input = "咳嗽三周想找呼吸科王主任"
patient_memory = "患者历史偏好：讨厌早上就诊，上次预约了下午2点"

result = overall_chain.run({
    "user_input": user_input,
    "memory": patient_memory
})

print("提取结果：", result["extracted"])
print("排班请求参数：", result["schedule_params"])
print("推荐结果：", result["recommendation"])

代码解释：

LLM初始化：使用GPT-4确保自然语言理解的准确性；
Prompt模板：通过结构化Prompt引导LLM输出预期格式（如JSON）；
顺序链：将「提取实体→查询排班→推荐时间」三个步骤串联，前一步的输出作为后一步的输入；
记忆注入：将患者历史偏好（来自记忆模块）传入链中，实现个性化推荐。

3. 记忆模块：用Chroma DB存储患者历史

记忆模块的核心是「存储患者的语义信息并快速检索」，我们用Chroma DB实现：

import chromadb
from chromadb.utils import embedding_functions
from sentence_transformers import SentenceTransformer

# 1. 初始化Chroma DB客户端（本地存储）
client = chromadb.PersistentClient(path="./chroma_db")

# 2. 初始化嵌入模型（将文本转换为向量）
embed_model = SentenceTransformer("all-MiniLM-L6-v2")
ef = embedding_functions.SentenceTransformerEmbeddingFunction(model_name="all-MiniLM-L6-v2")

# 3. 创建/获取患者记忆集合
collection = client.get_or_create_collection(
    name="patient_memory",
    embedding_function=ef
)

# 4. 插入患者历史记录
def add_patient_memory(patient_id: str, content: str):
    # 将文本转换为向量（可选，Chroma会自动处理）
    embedding = embed_model.encode(content).tolist()
    collection.add(
        documents=[content],
        metadatas=[{"patient_id": patient_id}],
        ids=[f"memory_{patient_id}_{len(collection.get())+1}"]
    )

# 5. 检索患者历史记录（语义相似性）
def get_patient_memory(patient_id: str, query: str, top_k: int = 3):
    results = collection.query(
        query_texts=[query],
        where={"patient_id": patient_id},
        n_results=top_k
    )
    return results["documents"][0]

# 测试：插入患者记忆
add_patient_memory("patient_001", "2023-10-01：咳嗽两周，预约呼吸科王主任下午2点")
add_patient_memory("patient_001", "2023-10-05：CT报告显示无肺炎，医生开了止咳药")

# 测试：检索患者记忆
query = "咳嗽三周想找王主任"
memory = get_patient_memory("patient_001", query)
print("患者历史记忆：", memory)

代码解释：

Chroma DB初始化：使用本地存储，避免云服务的隐私风险；
嵌入模型：用all-MiniLM-L6-v2将文本转换为384维向量，平衡性能与效果；
插入与检索：通过add方法存储患者历史，通过query方法检索语义相似的记录；
隐私保护：用patient_id作为元数据过滤，确保只有对应患者的记忆被检索。

4. 工具调用引擎：API适配与异常处理

工具调用引擎的核心是「对接医疗系统的API」，我们用FastAPI搭建适配器接口：

from fastapi import FastAPI, HTTPException
import requests

app = FastAPI(title="医疗系统适配器")

# HIS系统配置（示例）
HIS_CONFIG = {
    "base_url": "http://his-system:8080/api",
    "api_key": "his-api-key-123"
}

# 1. 专家排班查询接口
@app.get("/his/schedule")
def get_expert_schedule(department_id: str, expert_id: str, date: str):
    try:
        # 调用HIS系统的排班API
        response = requests.get(
            url=f"{HIS_CONFIG['base_url']}/schedule",
            params={
                "department_id": department_id,
                "expert_id": expert_id,
                "date": date
            },
            headers={"Authorization": f"Bearer {HIS_CONFIG['api_key']}"}
        )
        response.raise_for_status()  # 抛出HTTP错误（如404、500）
        return response.json()
    except requests.exceptions.RequestException as e:
        raise HTTPException(status_code=500, detail=f"HIS接口调用失败：{str(e)}")

# 测试：调用接口查询王主任（expert_id=2001）11月1日的排班
# curl "http://localhost:8000/his/schedule?department_id=101&expert_id=2001&date=2023-11-01"

代码解释：

FastAPI接口：定义/his/schedule接口，接收department_id（科室ID）、expert_id（专家ID）、date（日期）参数；
HIS调用：使用requests库调用HIS系统的排班API，带权限验证（Authorization头）；
异常处理：捕获HTTP错误（如超时、接口返回500），返回友好的错误信息。

五、实战场景：从「预约」到「就诊」的全流程优化

我们以**患者小李（咳嗽三周）**的就诊流程为例，展示Agentic AI的具体作用：

1. 前置咨询：智能导诊，减少「挂错科」

小李打开医院小程序，输入：「我咳嗽三周，有点胸闷，想找专家看看。」

目标规划器：提取意图「咨询+预约」，实体「症状：咳嗽三周、胸闷；需求：专家」；
工具调用引擎：调用EMR系统，查询小李的历史就诊记录（无过敏史，去年曾患支气管炎）；
记忆模块：检索到小李去年预约过呼吸科，偏好下午就诊；
输出结果：智能体回复：「根据您的症状，推荐呼吸科专家王主任（擅长慢性咳嗽），他明天下午有号源，是否需要预约？」

2. 智能预约：匹配偏好，避免「排队抢号」

小李点击「预约」，智能体自动完成：

调用HIS系统：查询王主任明天的排班（下午2点、3点有号）；
匹配偏好：结合小李「讨厌早上」的历史，推荐「下午2点」；
确认预约：发送短信链接，小李点击确认，号源锁定。

3. 候诊提醒：实时更新，减少「无效等待」

就诊前1小时，智能体发送提醒：

「您的号源是下午2点，当前前面有3位患者，预计等待20分钟；
请携带上次的支气管炎病历（来自记忆模块）；
门诊楼3楼呼吸科302诊室，可通过小程序查看实时候诊进度。」

4. 就诊辅助：整合数据，提升医生效率

小李到诊室后，医生的工作站自动显示：

患者概况：咳嗽三周、胸闷，无过敏史，去年患支气管炎；
推荐检查：CT（排除肺炎）、肺功能测试（排除哮喘）；
号源信息：下午2点预约，等待20分钟。

医生只需确认症状，直接开单，节省了10分钟的病历核对时间。

5. 检查预约：自动联动，避免「二次排队」

小李缴费后，智能体自动完成：

调用LIS系统：预约CT检查（下午4点，当前排队人数5人）；
发送提醒：「CT检查已预约下午4点，请提前30分钟到放射科报到；
检查报告将在2小时后发送到您的小程序，异常项会标红。」

6. 报告解读：初步分析，辅助医生诊断

CT报告出来后，智能体：

调用PACS系统：获取影像数据，用AI模型（如肺结节检测模型）分析；
生成摘要：「CT显示双肺纹理增粗，无明显结节，符合慢性支气管炎表现；
建议：继续服用止咳药，避免冷空气刺激。」

医生看报告时，直接关注异常项，节省了5分钟的阅读时间。

7. 随访提醒：持续关怀，提升患者粘性

就诊后3天，智能体发送随访：

「您的咳嗽是否缓解？如果仍有胸闷，请及时到医院复查；
下次复诊可直接预约王主任，时间已为您预留下午2点。」

六、效果验证：数据说话，从「痛点」到「爽点」

该医院试点Agentic AI后，3个月内的运营数据显著改善：

指标	试点前	试点后	提升率
患者平均就诊时长	4.2小时	1.5小时	-64%
候诊时间	60分钟	20分钟	-67%
医生每小时接诊量	8人	12人	+50%
预约爽约率	15%	5%	-67%
患者满意度评分	4.2/5	4.8/5	+14%