从传统医疗AI到Agentic AI：提示工程架构师的转型必修课

标题选项

1. 《传统医疗AI从业者必看：如何转型为Agentic AI提示工程架构师？》
2. 《从模型训练到智能代理：医疗AI转型提示工程的全流程指南》
3. 《Agentic AI时代，医疗AI工程师的提示工程“必修课”》
4. 《告别固化模型：医疗AI向Agentic转型的核心——提示工程》

引言 (Introduction)

痛点引入：传统医疗AI的“瓶颈”，你遇到了吗？

作为一名传统医疗AI工程师，你可能有过这样的经历：

• 花了几个月训练的影像诊断模型，上线后发现只能识别预设的几种病灶，遇到罕见病例就“翻车”；
• 基于电子病历（EHR）的预测模型，因为数据格式变化（比如新增了一项检验指标），需要重新标注、重新训练，耗时耗力；
• 想做一个“智能问诊”系统，却发现模型只能机械回答预设问题，无法像医生一样主动追问患者的症状细节（比如“头痛是胀痛还是刺痛？”“有没有伴随恶心呕吐？”）。

这些问题的根源，在于传统医疗AI是“静态”的：它依赖固定的训练数据，输出基于预设的规则或模式，无法适应复杂、动态的临床场景。而当我们需要AI像人类医生一样“思考”——能自主决策、能调用工具（比如查文献、调病历）、能动态学习时，Agentic AI（智能代理AI） 成为了破局的关键。

文章内容概述：我们要做什么？

本文将带你从传统医疗AI的思维中跳出来，进入Agentic AI的世界。我们会重点讲解：

• 传统医疗AI与Agentic AI的核心区别；
• 提示工程（Prompt Engineering）在医疗Agent中的“灵魂”作用；
• 如何从0到1搭建一个能处理真实临床场景的医疗Agent；
• 转型为提示工程架构师需要掌握的关键技能。

读者收益：读完这篇，你能收获什么？

无论你是做医疗影像、EHR分析还是药物研发的AI工程师，读完本文后，你将：

• 理解Agentic AI的核心逻辑，知道它如何解决传统医疗AI的痛点；
• 掌握医疗场景下的提示工程技巧，能设计出符合临床规范的提示模板；
• 学会用工具（比如LangChain、LlamaIndex）搭建医疗Agent，实现“自主问诊+工具调用+动态决策”；
• 明确转型为提示工程架构师的学习路径，避免踩坑。

准备工作 (Prerequisites)

在开始之前，你需要具备以下基础：

1. 技术栈/知识要求

• 传统医疗AI基础：熟悉深度学习（PyTorch/TensorFlow）、医疗数据处理（影像、EHR、文本）、常见医疗AI任务（比如影像诊断、风险预测）；
• 大语言模型（LLM）基础：了解LLM的基本概念（比如Transformer、上下文窗口），用过至少一个LLM API（比如OpenAI GPT-4、阿里云通义千问、开源的ChatGLM-6B）；
• 提示工程基础：知道什么是Prompt、Few-shot Learning（少样本学习）、Chain of Thought（思维链，CoT）等概念（如果不熟悉，可以先看这篇提示工程入门指南）。

2. 环境/工具准备

• 开发环境：Python 3.8+，安装Jupyter Notebook（方便调试）；
• Agent框架：LangChain（推荐，因为它整合了工具调用、记忆机制等Agent核心组件）、LlamaIndex（可选，用于处理结构化医疗数据）；
• LLM API：申请OpenAI API Key（或国内的通义千问、百度文心一言API），如果用开源模型，可以用Ollama运行LLaMA 3或Qwen-7B；
• 医疗工具模拟：用Synthea（开源医疗数据生成工具）生成模拟的患者EHR数据，避免涉及真实隐私；
• 文献工具：PubMed API（用于调用医学文献数据库）。

核心内容：手把手实战 (Step-by-Step Tutorial)

一、先搞懂：传统医疗AI vs Agentic AI，到底差在哪？

在转型之前，我们需要先明确两者的核心区别，避免用传统思维做Agentic AI。

维度	传统医疗AI	Agentic AI（医疗代理）
决策方式	基于固定模型参数，输入→输出的“黑盒”	基于LLM的上下文理解，自主决策（比如“需要调用EHR查患者病史”）
数据依赖	需要大量标注数据，训练后无法动态更新	可以实时调用工具（比如PubMed、EHR）获取最新数据
交互能力	机械响应预设问题，无法主动追问	像人类医生一样主动提问（比如“你有没有药物过敏史？”）
复杂场景适应	只能处理单一任务（比如影像诊断）	能处理多模态、多步骤任务（比如“结合影像+EHR+文献做诊断”）

举个例子：
传统影像诊断模型只能告诉你“这张CT片有肺癌病灶”；而医疗Agent可以做到：

1. 看到CT片的病灶后，主动调用EHR系统，查看患者的病史（比如有没有吸烟史）；
2. 调用PubMed API，查最新的肺癌治疗指南；
3. 结合以上信息，给出“手术建议+术后化疗方案”，并解释每一步的依据。

这就是Agentic AI的核心优势：自主决策+工具调用+动态学习。

二、提示工程：医疗Agent的“大脑”，比模型更重要

在Agentic AI中，提示工程（Prompt Engineering） 是连接LLM与医疗场景的“桥梁”。它的作用是：

• 引导LLM理解临床问题（比如“患者的症状是发热、咳嗽，需要做什么检查？”）；
• 规范LLM的输出格式（比如“诊断结果需要包含ICD-10编码”）；
• 控制LLM的决策流程（比如“先查病史，再查文献，最后给建议”）。

1. 医疗场景提示的“特殊要求”

医疗是一个高风险、强规范的领域，提示设计需要注意以下几点：

• 准确性：必须符合医学指南（比如用药剂量不能错）；
• 可解释性：要求LLM给出每一步决策的依据（比如“因为患者有高血压，所以不推荐使用某药物”）；
• 合规性：不能泄露患者隐私（比如提示中要明确“不处理真实患者数据”）；
• 交互性：需要引导LLM主动追问（比如“如果患者没说清症状，要问‘发热持续了几天？’”）。

2. 实战：设计一个“智能问诊”的提示模板

我们以“智能问诊”场景为例，设计一个符合医疗规范的提示模板。

提示模板（含思维链）：

你是一名资深的全科医生，现在需要处理患者的问诊请求。请按照以下步骤思考并回答：

1. **症状收集**：先询问患者的主要症状（比如“你现在最不舒服的是什么？”），如果患者描述不详细，需要追问细节（比如“发热是低热还是高热？”“咳嗽有没有痰？”）。  
2. **病史查询**：询问患者的既往病史（比如“有没有高血压、糖尿病？”）、药物过敏史（比如“对青霉素过敏吗？”）、家族病史（比如“家人有没有类似症状？”）。  
3. **初步判断**：根据收集到的信息，给出初步的诊断方向（比如“可能是上呼吸道感染，但需要排除肺炎”）。  
4. **建议检查**：推荐需要做的检查（比如“建议做血常规、胸部CT”），并解释原因（比如“血常规可以看有没有炎症，CT可以排除肺炎”）。  
5. **注意事项**：告诉患者需要注意的事项（比如“多喝水，避免劳累”）。  

请用通俗易懂的语言回答，避免使用过于专业的术语。如果有不确定的地方，要明确说明（比如“需要进一步检查才能确诊”）。  

为什么这样设计？

• 步骤1-2：模拟人类医生的“问诊流程”，确保收集到足够的信息；
• 步骤3-4：要求LLM给出可解释的判断，符合医疗规范；
• 最后：强调“通俗易懂”和“不确定时说明”，避免误导患者。

3. 代码示例：用LangChain加载提示模板

我们用LangChain的PromptTemplate类来加载上面的提示模板，并传入患者的初始症状。

from langchain import PromptTemplate
from langchain.llms import OpenAI

# 初始化LLM（用OpenAI GPT-3.5-turbo）
llm = OpenAI(
    model_name="gpt-3.5-turbo-instruct",
    api_key="你的APIKey"
)

# 定义提示模板
prompt_template = PromptTemplate(
    input_variables=["initial_symptom"],
    template="""你是一名资深的全科医生，现在需要处理患者的问诊请求。请按照以下步骤思考并回答：

1. **症状收集**：先询问患者的主要症状（比如“你现在最不舒服的是什么？”），如果患者描述不详细，需要追问细节（比如“发热是低热还是高热？”“咳嗽有没有痰？”）。  
2. **病史查询**：询问患者的既往病史（比如“有没有高血压、糖尿病？”）、药物过敏史（比如“对青霉素过敏吗？”）、家族病史（比如“家人有没有类似症状？”）。  
3. **初步判断**：根据收集到的信息，给出初步的诊断方向（比如“可能是上呼吸道感染，但需要排除肺炎”）。  
4. **建议检查**：推荐需要做的检查（比如“建议做血常规、胸部CT”），并解释原因（比如“血常规可以看有没有炎症，CT可以排除肺炎”）。  
5. **注意事项**：告诉患者需要注意的事项（比如“多喝水，避免劳累”）。  

患者的初始症状是：{initial_symptom}。请用通俗易懂的语言回答。  
"""
)

# 传入患者初始症状（比如“发热、咳嗽3天”）
prompt = prompt_template.format(initial_symptom="发热、咳嗽3天")

# 调用LLM生成回答
response = llm(prompt)

print("Agent的回答：\n", response)

运行结果（示例）：

Agent的回答：  
你好！你发热、咳嗽已经3天了，对吗？请问发热的温度大概是多少呢？是持续发热还是断断续续的？咳嗽的时候有没有痰？痰是什么颜色的？另外，你有没有高血压、糖尿病之类的慢性病？对什么药物过敏吗？家人有没有最近出现类似症状的？

分析：
LLM按照提示模板的要求，主动追问了患者的症状细节（发热温度、咳嗽有痰吗）和病史（慢性病、过敏史），符合“智能问诊”的场景需求。

三、搭建医疗Agent：从“提示”到“能做事”的关键一步

光有提示还不够，Agent需要能调用工具（比如查EHR、查文献）和有记忆（比如记住患者之前的回答）。我们用LangChain的Agent类来搭建一个基础的医疗Agent。

1. 步骤一：定义医疗工具（Tool）

医疗Agent需要调用的工具可能有：

• EHR工具：查询患者的电子病历；
• PubMed工具：查询最新的医学文献；
• 检验工具：获取患者的检验结果（比如血常规、CT报告）。

我们以“PubMed工具”为例，用LangChain的Tool类封装它。

from langchain.tools import Tool
import requests

# 定义PubMed工具的函数（调用PubMed API查文献）
def search_pubmed(query):
    """调用PubMed API查询医学文献"""
    url = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi"
    params = {
        "db": "pubmed",
        "term": query,
        "retmode": "json",
        "retmax": 5  # 返回5篇文献
    }
    response = requests.get(url, params=params)
    data = response.json()
    # 提取文献ID
    id_list = data["esearchresult"]["idlist"]
    # 如果有文献，返回标题（简化处理）
    if id_list:
        fetch_url = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi"
        fetch_params = {
            "db": "pubmed",
            "id": ",".join(id_list),
            "retmode": "json",
            "rettype": "abstract"
        }
        fetch_response = requests.get(fetch_url, params=fetch_params)
        fetch_data = fetch_response.json()
        articles = fetch_data["result"]["uids"]
        titles = [fetch_data["result"][uid]["title"] for uid in articles]
        return "\n".join([f"- {title}" for title in titles])
    else:
        return "未找到相关文献"

# 封装成LangChain的Tool
pubmed_tool = Tool(
    name="PubMed Search",
    func=search_pubmed,
    description="用于查询医学文献，解决临床问题（比如“肺癌最新治疗方案”）"
)

2. 步骤二：初始化Agent（带记忆）

我们用LangChain的ConversationalAgent（带对话记忆的Agent），结合上面的pubmed_tool，搭建一个能查文献的医疗Agent。

from langchain.agents import ConversationalAgent, AgentExecutor
from langchain.memory import ConversationBufferMemory
from langchain import OpenAI, Tool

# 初始化LLM
llm = OpenAI(
    model_name="gpt-3.5-turbo-instruct",
    api_key="你的APIKey",
    temperature=0.1  # 降低随机性，更符合医疗场景
)

# 定义工具列表（目前只有PubMed工具）
tools = [pubmed_tool]

# 初始化对话记忆（记住患者之前的问题和Agent的回答）
memory = ConversationBufferMemory(memory_key="chat_history")

# 初始化Agent
agent = ConversationalAgent.from_llm_and_tools(
    llm=llm,
    tools=tools,
    memory=memory,
    verbose=True  # 打印Agent的思考过程
)

# 初始化Agent执行器
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True
)

3. 步骤三：测试Agent（查肺癌治疗方案）

我们用一个临床问题测试Agent：“患者是晚期肺癌，有没有最新的免疫治疗方案？”

# 测试Agent
response = agent_executor.run("患者是晚期肺癌，有没有最新的免疫治疗方案？")

print("Agent的回答：\n", response)

运行结果（示例，含思考过程）：

> Entering new AgentExecutor chain...
我需要回答患者关于晚期肺癌最新免疫治疗方案的问题。首先，我应该调用PubMed工具查询最新的文献。查询的关键词可以是“advanced lung cancer immunotherapy 2024”。

调用工具：PubMed Search，参数：advanced lung cancer immunotherapy 2024

工具返回结果：
- Pembrolizumab in Combination with Chemotherapy for Advanced Non-Small Cell Lung Cancer: Updated Survival Data from KEYNOTE-189
- Nivolumab Plus Ipilimumab as First-Line Treatment for Advanced Non-Small Cell Lung Cancer: 5-Year Follow-Up from CheckMate 227
- Atezolizumab in Combination with Bevacizumab for Advanced Hepatocellular Carcinoma: Results from IMbrave150
（注：第三个结果是肝癌的，可能是误匹配，需要过滤）

现在，我需要整理这些结果，挑出与晚期肺癌相关的方案。比如Pembrolizumab联合化疗、Nivolumab联合Ipilimumab都是最新的一线治疗方案。另外，要说明这些方案的适用人群（比如PD-L1表达阳性的患者）。

还要注意，免疫治疗可能有副作用，比如肺炎、结肠炎等，需要告知患者定期监测。

最后，建议患者咨询肿瘤科医生，根据具体情况选择方案。

> Exiting chain.

Agent的回答：  
根据2024年最新的医学文献，晚期肺癌的免疫治疗方案主要包括以下几种：  
1. **Pembrolizumab（帕博利珠单抗）联合化疗**：适用于PD-L1表达阳性（CPS≥1）的晚期非小细胞肺癌患者，可显著延长生存期（来自KEYNOTE-189研究的更新数据）。  
2. **Nivolumab（纳武利尤单抗）联合Ipilimumab（伊匹木单抗）**：适用于无EGFR/ALK突变的晚期非小细胞肺癌患者，5年生存率可达31.9%（来自CheckMate 227研究的5年随访结果）。  

需要注意的是，免疫治疗可能引起免疫相关不良反应（如肺炎、结肠炎等），需在医生指导下定期监测。建议患者咨询肿瘤科医生，根据具体病情（如PD-L1表达、基因突变状态）选择合适的方案。  

分析：
Agent按照提示的要求，主动调用了PubMed工具，查询了最新的文献，并过滤了无关结果（比如肝癌的研究），最后给出了符合临床规范的建议。这比传统医疗AI的“静态输出”更灵活、更实用。

四、优化提示工程：让医疗Agent更“专业”

上面的Agent已经能做一些基本的任务，但在真实临床场景中，还需要优化提示，解决以下问题：

1. 问题1：如何处理“歧义”的症状描述？

比如患者说“我胸口疼”，可能是心绞痛，也可能是胸膜炎，需要Agent主动追问细节。

优化后的提示模板（增加追问逻辑）：

你是一名资深的全科医生，现在需要处理患者的问诊请求。请按照以下步骤思考并回答：

1. **症状澄清**：如果患者的症状描述有歧义（比如“胸口疼”），需要追问以下细节：  
   - 疼痛的位置（比如“是胸骨后还是左侧胸部？”）；  
   - 疼痛的性质（比如“是压榨样痛还是刺痛？”）；  
   - 疼痛的诱因（比如“是不是在劳累后发作？”）；  
   - 疼痛的持续时间（比如“持续了几分钟还是几个小时？”）。  
2. **病史查询**：（同上）  
3. **初步判断**：（同上）  
4. **建议检查**：（同上）  
5. **注意事项**：（同上）  

患者的初始症状是：{initial_symptom}。请用通俗易懂的语言回答。  

测试结果（患者说“胸口疼”）：

Agent的回答：  
你好！你胸口疼的位置是哪里呢？是胸骨后还是左侧胸部？疼痛是压榨样的还是刺痛？有没有在劳累后发作？持续了几分钟还是几个小时？另外，你有没有高血压、冠心病之类的慢性病？对什么药物过敏吗？

2. 问题2：如何确保输出符合医疗规范？

比如诊断结果需要包含ICD-10编码（国际疾病分类），用药建议需要符合《中国药典》。

优化后的提示模板（增加规范要求）：

你是一名资深的全科医生，现在需要处理患者的问诊请求。请按照以下步骤思考并回答：

1. **症状收集**：（同上）  
2. **病史查询**：（同上）  
3. **初步诊断**：给出初步诊断，必须包含ICD-10编码（比如“上呼吸道感染（J06.9）”）；  
4. **用药建议**：推荐的药物必须符合《中国药典》，并说明剂量、用法（比如“对乙酰氨基酚，每次0.5g，每日3次”）；  
5. **注意事项**：（同上）  

患者的初始症状是：{initial_symptom}。请用通俗易懂的语言回答。  

测试结果（患者说“发热、咳嗽3天，体温38.5℃”）：

Agent的回答：  
你好！你发热、咳嗽已经3天了，体温38.5℃，对吗？请问咳嗽有没有痰？痰是什么颜色的？有没有鼻塞、流涕？另外，你有没有高血压、糖尿病之类的慢性病？对什么药物过敏吗？  

根据你的症状，初步诊断为上呼吸道感染（ICD-10编码：J06.9）。建议服用对乙酰氨基酚（每次0.5g，每日3次）退热，同时服用氨溴索（每次30mg，每日3次）化痰。注意多喝水，避免劳累，如果3天内症状没有缓解，建议去医院做血常规检查。  

3. 问题3：如何处理“不确定”的情况？

比如患者的症状不典型，Agent无法给出明确诊断，这时候需要提示患者去医院检查。

优化后的提示模板（增加不确定情况处理）：

你是一名资深的全科医生，现在需要处理患者的问诊请求。请按照以下步骤思考并回答：

1. **症状收集**：（同上）  
2. **病史查询**：（同上）  
3. **初步判断**：如果症状不典型，无法明确诊断，要说明“需要进一步检查才能确诊”；  
4. **建议检查**：（同上）  
5. **注意事项**：（同上）  

患者的初始症状是：{initial_symptom}。请用通俗易懂的语言回答。  

测试结果（患者说“我最近总是乏力，没有胃口”）：

Agent的回答：  
你好！你乏力、没有胃口的情况持续了多久？有没有恶心、呕吐？有没有体重下降？另外，你有没有肝炎、胃炎之类的慢性病？对什么药物过敏吗？  

根据你的症状，目前无法明确诊断（可能是胃炎、肝炎或其他疾病），需要进一步检查（比如肝功能、胃镜）才能确诊。建议你尽快去医院消化科就诊。  

五、评估与迭代：让医疗Agent更“可靠”

医疗Agent的输出直接关系到患者的健康，因此必须严格评估。评估的方式主要有两种：

1. 专家评审（定性评估）

邀请资深医生对Agent的输出进行评审，重点检查：

• 诊断是否准确；
• 用药建议是否符合规范；
• 有没有遗漏关键信息；
• 语言是否通俗易懂。

2. 指标量化（定量评估）

设计一些量化指标，比如：

• 诊断准确率：Agent的诊断与医生诊断的一致率；
• 工具调用准确率：Agent是否正确调用了需要的工具（比如需要查文献时有没有调用PubMed）；
• 追问率：Agent对歧义症状的追问比例；
• 合规率：输出符合医疗规范（比如ICD-10编码、药典）的比例。

3. 迭代优化（示例）

假设专家评审发现，Agent在处理“胸痛”症状时，没有追问“有没有放射痛”（比如心绞痛会放射到左臂），我们可以优化提示模板，增加这一追问点：

优化后的提示模板（增加放射痛追问）：

1. **症状澄清**：如果患者说“胸口疼”，需要追问以下细节：  
   - 疼痛的位置（比如“是胸骨后还是左侧胸部？”）；  
   - 疼痛的性质（比如“是压榨样痛还是刺痛？”）；  
   - 疼痛的诱因（比如“是不是在劳累后发作？”）；  
   - 疼痛的持续时间（比如“持续了几分钟还是几个小时？”）；  
   - 有没有放射痛（比如“有没有向左臂、颈部放射？”）。  

重新测试结果（患者说“胸口疼”）：

Agent的回答：  
你好！你胸口疼的位置是哪里呢？是胸骨后还是左侧胸部？疼痛是压榨样的还是刺痛？有没有在劳累后发作？持续了几分钟还是几个小时？有没有向左臂、颈部放射？另外，你有没有高血压、冠心病之类的慢性病？对什么药物过敏吗？  

进阶探讨 (Advanced Topics)

1. 混合模型：传统医疗AI与Agentic AI的结合

传统医疗AI（比如影像诊断模型）在处理结构化数据（比如CT片）时，比LLM更准确。我们可以将传统模型作为工具，整合到Agent中，实现“多模态诊断”。

示例：
Agent处理患者的问诊请求时，发现需要看CT片，就调用传统的影像诊断模型（比如用CNN训练的肺癌检测模型），获取病灶信息，然后结合EHR和文献，给出诊断建议。

2. 多模态Agent：处理文本+影像+语音

医疗数据往往是多模态的（比如患者的文字描述、CT片、语音问诊记录），我们可以用LangChain的MultiModalAgent来处理这些数据。

示例：
Agent接收患者的语音问诊记录（用ASR转文本）、CT片（用影像模型处理）、EHR数据（用结构化工具查询），然后综合这些信息，给出诊断建议。

3. 伦理与合规：医疗Agent的“红线”

• 隐私保护：Agent不能处理真实患者数据，必须用模拟数据（比如Synthea生成的数据）；
• 可解释性：Agent的每一步决策都要给出依据（比如“因为患者有高血压，所以不推荐使用某药物”）；
• 责任划分：Agent的输出只能作为参考，不能替代医生的诊断（比如提示中要说明“建议咨询医生”）。

总结 (Conclusion)

回顾要点

• 传统医疗AI vs Agentic AI：传统AI是静态的、依赖固定数据的，而Agentic AI是动态的、能自主决策和调用工具的；
• 提示工程的作用：提示是医疗Agent的“大脑”，它引导LLM理解临床问题、规范输出格式、控制决策流程；
• 转型步骤：从理解Agentic AI的核心逻辑，到设计符合医疗规范的提示模板，再到搭建能调用工具的Agent，最后通过评估迭代优化。

成果展示

通过本文的实战，我们搭建了一个能处理“智能问诊+文献查询+规范输出”的医疗Agent，它能像人类医生一样主动追问患者症状，调用PubMed查最新文献，给出符合临床规范的诊断建议。

鼓励与展望

转型为提示工程架构师，不是放弃传统医疗AI的知识，而是将传统知识与Agentic AI的逻辑结合。未来，医疗Agent将成为临床工作的重要辅助工具，而提示工程架构师将是这一领域的核心人才。

如果你已经掌握了本文的内容，建议你下一步学习：

• 更复杂的Agent框架：比如AutoGPT、BabyAGI；
• 医疗领域的LLM微调：比如用医疗文献微调开源LLM（比如LLaMA 3）；
• 多模态Agent的搭建：比如处理文本+影像+语音的医疗Agent。

行动号召 (Call to Action)

如果你在转型过程中遇到了问题，比如：

• 不知道如何设计医疗场景的提示模板；
• 搭建Agent时遇到了工具调用的问题；
• 想了解更多医疗Agent的实战案例；

欢迎在评论区留言讨论！我会一一解答。

另外，如果你已经搭建了自己的医疗Agent，也欢迎分享你的经验，让我们一起推动医疗AI向Agentic时代前进！

最后：医疗AI的核心是“以人为本”，无论技术如何发展，都要记住：AI是医生的辅助工具，不是替代者。让我们用Agentic AI让医疗更高效、更精准，让更多患者受益！