本文介绍了DeepSeek V3/R1等开源大模型在医疗行业的应用实践重点解析了模型训练预训练、SFT、RLHF和智能体开发提示词工程、工作流编排、RAG、函数调用、多智能体协同的技术路径。以华西二院数字医生项目为例详细阐述了从需求分析、测评基线建立到开发、验证、上线及持续迭代的完整流程。最后展望了大模型在医疗场景的小型化、高效化、自然语言编程、多智能体协同及人机共智等方面的未来趋势。DeepSeek V3/R1发布后在多项基准测试中表现优于GPT-4等主流模型迅速赢得了业界的广泛赞誉其开源模式也为大模型的私有化部署带来可行性。随后国内多家医院开始在患者就医服务、智能导诊、辅助诊断及电子病历书写等场景尝试使用DeepSeek。当下如何激发出大模型的能力并深度结合医疗业务系统成为医疗信息化领域一个新的技术研究方向四川大学华西第二医院简称“华西二院”也在这方面做出了一些探索与实践。大语言模型落地技术路径大语言模型是能力内核提供认知能力擅长处理输入输出映射智能体Agent是应用载体通过整合模型能力与工具调用、记忆、规划模块成为动态系统。要落地到医院的应用场景通常涉及两个关键技术环节模型训练和智能体开发。模型训练强化医疗专业知识智能体开发则是将模型能力与业务系统深度融合二者结合实现“模型能力→业务落地”的闭环。图1 大语言模型应用落地技术路径示意模型训练1预训练Pre-Training预训练需要海量数据和大规模分布式GPU算力成本高难度大。以DeepSeek为代表的开源大模型已公开权重在医疗行业中已无需从零开始预训练模型只需根据场景选择合适的模型或在选定模型基础上进行能力增强即可。2监督微调SFTSupervised Fine-Tuning)预训练模型已具备通用特征可部分适应医疗领域任务监督微调是通过专业领域的标注数据集对预训练模型进行全参数或部分参数更新使模型更好地遵循指令。华西二院利用真实院内数据如电子病历、检验检查报告、医嘱等经过脱敏、清洗、筛选等处理后通过人工标注和模型合成等方式构建高质量监督微调数据集对预训练模型进行专业能力增强。3强化学习RLHFReinforcement Learning with Human FeedbackRLHF是一种融合强化学习与人类反馈的技术通过人类反馈数据指导模型优化使其生成更符合预期的响应。在华西二院将医生在使用辅助诊断时对AI建议的采纳情况作为偏好数据医生采纳的建议作为正样本未采纳的作为负样本用于大模型的进一步微调。智能体Agent开发智能体开发即通过提示词工程、工作流编排和外部医学知识库构建等技术手段引导大模型实现精准推理并深度结合业务系统。1提示词工程Prompt Engineering提示工程是通过精心设计输入指令(Prompt)来引导大模型生成更准确的输出类似于教导AI如何回答问题。精心设计的提示词能够有效解决模型输出偏离预期、逻辑性不足及专业领域表现欠佳等问题。常见的方法包括明确任务要求、进行角色设定、引入思维链、少样本提示等。2工作流程编排Work Flow在开发智能体时通常将复杂任务分解为多个子步骤每个步骤都有明确目标比如意图识别、知识库查询、逻辑判断或通过外部API获取信息等。比如在处理导诊请求时首先通过大模型分析自然语言识别患者症状并分析可能诊断再通过函数调用集成平台API获取科室信息进一步查询医生排班和号源信息最终由大模型返回可挂号医生的链接。3RAG检索增强生成Retrieval-Augmented Generation由于大模型缺乏最新的医疗专业知识和医院特有的管理流程等信息RAG通过对这类文档进行数据处理和索引将其存储在向量数据库中。当处理入院流程、退费政策、医保报销等客服咨询时即可通过RAG技术检索知识库将结果作为上下文输入模型最终生成准确回复。4函数调用Function Call对于业务知识则通过自然语言描述的方式定义函数Function包括函数名称、功能描述、参数名称及说明并传递给大语言模型LLM。如患者提出挂儿科张医生明天的号时系统首先调用获取当前日期函数并计算次日日期再调用查询排班及号源医生姓名、日期API最后将API返回结果作为上下文输入模型生成最终结果。5多智能体协同Multi-Agent System面对更复杂的业务场景时可设计由多个智能体构成的系统。这些智能体类似医院多学科会诊MDT模式工作。EGO智能体负责任务状态管理和工作智能体调度如会诊主持人工作智能体各自负责特定任务如专科医生、药事专家等提供专业决策技能智能体执行单一任务如查询临床指南、解读报告、检索药品说明书等通过这些智能体按需协作解决复杂问题。华西妇幼数字医生设计与开发实践医院AI应用需要基于具体场景进行分析选择最优技术路线和最佳工具以实现预期目标。以华西二院数字医生项目开发为例从需求分析到应用上线共定义5个关键环节并贯穿持续迭代理念。图2 AI应用开发关键路径需求分析年初华西二院在调研时发现当前门诊流程中医生问诊时间有限了解患者既往病史和主诉时常出现信息获取不全或遗漏部分需检查确诊的患者往往需再次挂号和就诊同时医生需耗费大量时间来书写电子病历。华西二院提出以下需求患者在挂号后由AI通过自然语言会话方式模拟医生诊断逻辑收集患者信息进行预问诊随后生成预判并推送至接诊医生。医生审核对话记录后如判断需提前检查可向患者推送自主开单检查建议。就诊当日医生接诊后可查阅数字医生预问诊记录和检查报告与HIS集成的数字医生系统通过诊间麦克风采集医患对话辅助医生完成电子病历书写。建立测评基线需求评审通过后由医生助理按临床科室分类准备测试用例数据来源包括真实病例和公开数据集每个用例包含预期输出标准。结合临床医生意见制定模型输出内容的评价标准涵盖问诊逻辑、临床重点覆盖、鉴别诊断准确性、建议合理性和病历书写规范性五个维度。数字医生开发开发初期首先对候选基座模型进行评估测试。通过小样本测试用例评估显示模型1评分最高但因闭源特性需在线API调用不符合院内部署要求模型2参数量庞大推理资源需求高使用成本昂贵。最终确定的技术路线为1选用参数规模较小的开源模型3作为基座模型采用监督微调方法进行能力增强2采用多智能体架构开发数字医生应用。图3 基础模型能力评估在模型微调阶段参照医生诊断逻辑流程收集基本信息→采集主诉病史→评估诊断置信度→依据临床指南补充询问→推断诊断结论→生成诊疗建议基于院内真实病历数据开发智能体应用自动合成训练数据结合人工标注构建高质量微调数据集进行模型监督微调。智能体开发阶段运用提示工程实现角色设定、回答约束和问诊逻辑控制采用RAG技术检索增强知识库通过函数调用对接业务系统最终借助工作流编排构建多智能体协作系统实现需求定义的要求。场景验证测评应用开发完成后基于测试用例使用自动化测试框架结合人工复核对比AI数字医生输出与预期结果内部测试完成后选取1-2个科室试运行并监测效果。试运行期间通过应用观测真实环境中的问题案例Bad Cases分析错误原因进而改进提示词、优化工作流以提升性能。例如通过优化提示措辞、添加示例或增强约束引导模型生成更理想的响应在工作流中添加对话记忆机制保存上下文增强模型记忆能力部分场景在提示前增加检索步骤从外部知识库获取信息后输入LLM。数字医生应用上线试运行完成以后数字医生正式上线应用整个应用包括患者场景和医生场景。图4 患者端数字医生预问诊示例图5 数字医生门诊工作站示例持续迭代优化数字医生上线后系统持续与真实用户交互记录模型建议与医生实际诊断、医嘱等信息这些真实世界数据被持续用于模型强化学习不断扩展模型认知边界使系统越来越符合患者和医生预期。AI应用开发技术架构图6 AI应用开发技术架构在具体应用开发中华西二院采用华西数医AI应用开发平台完成开发工作。该平台支持从算力调度、数据准备到模型训练的全流程管理同时集成提示词工程、工作流管理、RAG知识库等功能提供低代码开发环境并包含评测中心和运营观测中心实现数字医生全流程一站式敏捷开发与管理。未来趋势在实践中华西二院发现通过深度挖掘大模型的潜力结合人类专家知识实现人机共智这将深刻重塑医疗行业的智能化格局具体趋势如下趋势一在医疗场景中落地通用大模型的小型化和高效化将是必由之路。大参数模型虽然具有强大的性能但这些模型动辄拥有数千亿参数其计算成本高昂且资源消耗巨大通过模型蒸馏将更强更大的模型如671B知识和推理能力迁移学习到小参数量模型如14B、7B在此基础上再进行专业知识监督微调得到的小参数模型在专业方面能达到大参数模型的效果但会极大地降低硬件资源要求。趋势二高质量数据合成是医疗大模型开发和训练的基础。开展模型训练关键在于获取面向医疗领域的高质量数据集。传统上这些数据主要依赖专业医生的人工清洗和标注效率低下且成本极高。华西二院通过角色模拟算法设计将院内真实病历、检验检查等数据利用大模型进行深度合成最后经人工审核后再用于模型训练提升了训练效率。趋势三自然语言编程将成为主流开发语言。在应用开发方式上传统的软件工程方法正在转向以大模型为核心的自然语言编程范式包括提示词工程、函数调用和MCP协议等基于自然语言的开发方式使应用开发更加直观高效开发者与模型之间实现了真正的协同工作。趋势四多场景智能体与多智能体协同将重新定义系统开发模式。华西二院大模型应用场景还在不断增加如诊前就医事务咨询、导医导诊诊中智能陪诊诊后随访门诊、住院电子病历书写等这些场景均由不同智能体实现单一智能体也正演进为多智能体协同架构这种架构下的智能体能够独立决策、协作互动以群体智能的形式支持医疗服务。趋势五人机共智将变革医疗服务模式。大模型技术的优势在于通过海量数据训练内化了医学知识并能准确分析这些信息的相关性有效弥补了人类在知识学习、信息检索和经验积累方面的局限性带来了医院信息系统交互模式的根本性变革。智能体将作为医生的第二智能主动参与医疗决策医生将与数字医生智能体建立人机共智的协作关系。这也要求医院信息化系统建设方法论进行重大转型从传统的以软件功能交付为核心全面转向以大模型和智能体驱动的智能医疗服务体系为核心实现真正意义上的医疗智能化转型。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】