中医+大模型

智能症状诊断（对话式问诊）
业务描述：用户以自然语言描述主诉（如“膝关节不能下蹲”），AI通过多轮追问，引导用户补充细节（如疼痛部位、活动受限幅度、伴随体征）。

典型界面：
用户发送“不能下蹲” → AI先提问“下蹲幅度：小幅度障碍还是不能站直？” → 再问“过伸试验强阳性？” → 逐步缩小范围，输出可能的病因（滑膜炎、髌骨嵌顿、腘肌损伤等）。

价值：模拟医生问诊逻辑，避免用户盲目猜测，提高诊断专业性。

2️⃣ 分层鉴别诊断（结构化推理）
业务描述：按照预设的临床路径（如“下蹲障碍”诊断树），AI自动输出分步骤的鉴别诊断列表，区分小幅度障碍、不能站直、后侧疼痛等不同分支。

截图体现：

小幅度障碍 → 肿胀（查滑膜炎） / 髌骨嵌顿（查股骨-髌骨关系）

不能站直 → 过伸试验强阳性（查膝后侧） / 过屈试验阳性（查膝前侧）

后侧疼痛 → 查臀后侧、腘斜韧带等具体结构

大幅度障碍 → 查脊柱侧弯、骨盆旋移、腿型等全身因素

价值：帮助医生/学员建立清晰的临床思维路径，减少漏诊。

3️⃣ 治疗靶点推荐（针刀/针灸定位）
业务描述：当AI完成诊断后，直接输出需要查治的具体解剖结构或压痛点，例如“查治臀后侧、腘斜韧带、腘肌下隐窝、籽骨、半腱肌、半膜肌”。

扩展功能：可进一步点击某个靶点，查看针刀松解进针方法、解剖图示、操作视频。

价值：从“是什么病”快速过渡到“怎么治”，尤其适合针刀医师临床参考。

4️⃣ 体征试验引导（辅助检查）
业务描述：AI主动建议用户或医生完成特定物理检查试验，如“正/反4字试验、直腿抬高试验、过屈/过伸试验”，并根据试验结果再推理。

交互方式：用户点击试验名称，可以查看操作图解或视频演示；也可输入试验结果为“阳性/阴性”，AI更新诊断结论。

价值：标准化体格检查，提升远程问诊的可靠性。

5️⃣ 多模态教学资源关联
业务描述：在诊断结果下方，直接推荐相关的教学视频、名医课程，例如截图中的“膝关节相关疾病的诊断及进针思路”、“唐国振膝关节临床操作演示”。

业务形态：可免费预览部分内容，完整课程需付费/订阅解锁。

价值：实现“即诊即学”，构建从诊疗到教育的闭环，增加用户粘性和付费转化。

6️⃣ 主动追问与健康档案记录
业务描述：在用户未主动提问时，AI可主动发起常见问题，例如截图底部的三个引导按钮：

“下蹲时膝关节有无疼痛？”

“膝关节活动时有响声吗？”

“平时走路或站立时膝盖感觉如何？”

数据沉淀：用户回答内容自动归入个人健康档案，形成长期追踪记录，未来复诊时可对比变化。

价值：变被动问答为主动健康管理，提升用户活跃度和数据丰富度。
7️⃣ 再答一次/调整诊断（可控生成）
业务描述：用户若对当前AI诊断不满意，可以点击“再答一次”按钮，AI会重新生成一组诊断思路或换一种推理逻辑（例如增加考虑肌筋膜链）

数据层：项目实现的数据源头，决定模型能力的上限。需要海量、多维、高质量的中医数据，包括《黄帝内经》等经典古籍、病历和真实临床医案以及舌象图、语音记录等多模态数据。

平台/基座层：AI应用的核心引擎。项目主要采用三类基础模型：

开源/学术模型：如Qwen（阿里）、Llama（Meta）、ChatGLM，提供可二次开发的基础能力。

商业大厂模型：如华为盘古、百度文心/灵医、腾讯混元，具备强大的算力与成熟生态。

模型能力：模型平台需要具备强大的语义理解、逻辑推理、多模态识别等能力，同时必须具备支持 RAG（检索增强生成） 和 Agent（智能体） 架构的能力，以实现知识库的实时更新和复杂任务的分解执行。

模型层：将基座模型转化为一个“中医专家”的过程，也是项目实现的“灵魂”。核心优化技术包括：

监督微调（Supervised Fine-Tuning, SFT）：使用大量高质量的“问题-答案”对来训练基础模型，使其学会中医的“对话规则”。

检索增强生成（Retrieval-Augmented Generation, RAG）：让模型在回答问题时，不依赖记忆，而是“临时查阅”权威知识库（如典籍、教材），生成有出处的可靠回答。结合知识图谱的 GraphRAG 能实现更精准的知识关联。

多智能体协作（Multi-Agent System, MAS）：将问诊、辨证、开方等任务分配给多个专门的AI智能体，模拟医生的团队决策流程，提高诊断准确率和鲁棒性。

应用层：用户直接交互的前端和接口。基于上述模型能力，开发者可以构建微信小程序、APP等多样化的前端形态；同时，通过开放的API接口，让这些AI能力服务于更广泛的第三方应用。