RegistrationAssistantAgent:基于渐进式揭露思想的智能挂号分诊项目

基于递归式意图路由的服务发现,帮助病人在多家医院1000+医生的找到擅长自身病情的医生

Branch1Tags0
FilesLast commitLast update
9 months ago
9 months ago
9 months ago
9 months ago
9 months ago
9 months ago
10 months ago
9 months ago
9 months ago
9 months ago
9 months ago
9 months ago

挂号助手智能体 (Registration Assistant Agent)、

【场景介绍】帮助患者想找到真正匹配自身病情的医生

随着医学体系持续走向专科细分与亚专科化,诊疗能力不断垂直深化,医生的知识结构与诊疗边界愈发清晰;但与此同时,原本应由医疗系统承担的“分诊与路径决策”成本,正在被显著转嫁给患者——患者想找到真正匹配自身病情的医生,反而变得越来越难。在真实就医中,“多次辗转不同医院、接触多位专家却仍难以定位病因”的情况并不少见,患者往往在信息不对称与路径不确定中反复试错。

以杭州为例,全市分布着上百家医院、上百个科室、上万名擅长不同病情的医生,并且持续涌现“多学科联合门诊”“复合型专科”等新型服务形态;但对普通患者而言,科室与医生介绍普遍专业晦涩、信息割裂,“到底该挂哪个科、找哪位医生”成为就医的第一道门槛,很多患者只能凭经验或直觉选择,挂错号、白跑一趟的现象普遍存在,造成时间成本与治疗窗口的双重损失。【1】.例如患者出现“右上腹疼痛伴随发烧”,可能误判为感染性问题去挂感染科,最终却发现是胰腺相关疾病,更应就诊消化内科——不得不重新排队、重新挂号,延误就医效率。

挂号助手智能体正是为解决这一“诊前分诊与医生匹配”痛点而生:患者只需用自然语言描述症状,智能体先理解病情表达,再在真实医疗资源中完成检索与匹配。不同于通用大模型只能给出泛化建议(如“去某某科看看”),本项目汇集了杭州 3000+ 医生的真实资料与专长画像,可在跨医院、跨科室的范围内精准推荐更匹配的医生与就诊路径,把“挂号选择”从碰运气的试错升级为可解释、可落地的智能决策,从而显著减少误挂号与无效奔波,提升真实就医效率与体验。

【方案介绍】基于渐进式揭露思想的类人服务发现

【问题挑战:为什么传统方案在“3000+医生服务发现”上失效?】

在挂号助手里,最难的不是“能不能回答问题”,而是在海量医疗资源中稳定、准确地找到最适合病情的医生。

最直接的做法,是把杭州 3000+ 医生都抽象成“工具/能力卡片”,把他们的简介、擅长、规则一次性塞进提示词,让大模型当场选择——理论上可行,工程上灾难。 因为这会带来典型的 Prompt Bloat(提示词膨胀):上下文被大量工具/医生描述挤满,模型注意力被稀释,推理质量下降、延迟升高,系统成本与稳定性都不可控。相关研究也明确指出:当工具规模增长时,LLM 会面临“提示词膨胀 + 选择复杂度”的双重压力,难以有效利用大量外部工具。

另一条主流路线是“语义向量检索”:将医生资料与用户病情描述向量化,做 Top-K 相似度召回。这条路在信息检索场景很常见,但在医疗分诊语境里会遇到更隐蔽的瓶颈: “病人语言 → 医疗服务”并不是简单的语义相似,而是复杂映射。 同一种疼痛可能来自完全不同系统;症状描述常带隐含约束(病程、诱因、伴随症状、危险信号);很多时候“文本最相似”并不等于“路径最正确”。业界对 RAG 的反思也指出,单靠 embeddings 相似度往往不足以支撑真实业务决策,仍需要更强的结构化建模与推理过程。

【核心创新:让 LLM 用“更接近人类”的方式发现服务】

我们最终选择了一条更“人类”的路线:服务发现不应该让模型一次性读完百科全书,而应该像人查资料一样——先选对分类,再翻对目录,最后进入细节。

这正是交互设计中经典的 **渐进式揭露(Progressive Disclosure)**思想:先呈现必要信息与轻量索引,把复杂细节延后到“需要时再展示”,从而降低认知负担、提升决策质量。这一思想也被 Claude Skills 的实践所证明:初始只提供技能的最小元数据(名称/描述),只有当模型决定“要用哪个技能”时,才加载其完整说明,从而有效避免上下文膨胀。

我们的判断是:在医生服务发现问题上,渐进式揭露不是交互技巧,而是一种更适配 LLM 推理机制的检索范式。 它让模型把“强语义理解能力”用在关键决策上,同时把 token 花在真正必要的信息上。

【方案设计|三层分诊架构:一级门诊 → 二级门诊 → 医生匹配】

基于渐进式揭露,我们实现了一套层次化服务发现流程,让模型以近似 O(log N) 的效率在海量医生中完成精准定位:

第一层:一级分诊(大方向定位) 系统先让 LLM 在极少分支内做“方向判断”,例如消化/呼吸/神经/感染/外科等大类。 此时暴露给模型的不是医生全量信息,而是轻量的“目录页”:每个一级门诊只有一句话用途描述,确保 token 成本可控,并充分利用 LLM 对复杂语义关系的理解能力。

第二层:二级分诊(亚专科收敛 + 主动追问补信息) 进入一级门诊后,再揭露该方向下的二级门诊(亚专科/联合门诊/复合专科等)。 同时,系统会根据门诊知识与分诊提示词设计,主动向病人追问关键缺失信息(例如疼痛位置变化、持续时间、伴随发热/呕吐/黄疸等),用最少轮数补齐决策所需线索,进一步减少幻觉与误分诊风险。

第三层:医生匹配(从“正确路径”到“最合适医生”) 当二级门诊确定后,系统才按需揭露该门诊内医生卡片(擅长病种、诊疗方向、可解释标签、排班/号源),并完成“最终推荐”。 最终输出不仅包含“推荐谁”,还包含“为什么是他/她”的解释链条,把挂号从“碰运气”变成可解释、可落地的智能决策。

【收益亮点】

  • 避免提示词爆炸:信息按需加载,不把 3000+ 医生一次性塞进上下文,显著降低 Prompt Bloat 风险。
  • 准确率更可控:先用 LLM 做推理式路由、再在小集合内精匹配,避免语义向量“相似但不对”“对但不相似”的召回误差。
  • 路径可解释、过程可调优:每一层都是可观测的目录选择 + 追问策略,可迭代优化。
  • 更贴合真实医疗组织方式:医疗资源本就是层次化结构(门诊—亚专科—医生),我们只是让 LLM 用“翻目录”的方式走一遍最合理路径。

我们的下一步目标是:在通用场景下自动构建可演进的层次化服务目录;本次比赛中,我们优先利用医疗领域先验完成目录搭建,验证这条技术路径在效率、稳定性与准确性上相对经典方案的优势,后续我们会搭建在通用场景下的自动层次化分类搭建维护方案,减少人工参与的同时,进一步提高常用服务的发现效率。

Introduction

基于递归式意图路由的服务发现,帮助病人在多家医院1000+医生的找到擅长自身病情的医生

Customize your domain