引言
在现代医疗服务中，问诊环节是诊断过程的关键起点。传统的问诊方式往往依赖医生的经验和患者的主观描述，存在信息收集不完整、效率低下、标准化程度不足等问题。随着人工智能技术的快速发展，AI智能问诊填槽助手应运而生，为医疗行业带来了革命性的变革。
本文将深入分析一个基于ADP构建的AI智能问诊填槽助手系统，该系统通过先进的自然语言处理技术、知识库检索和智能参数提取能力，实现了从患者主诉识别到结构化信息收集的全流程自动化。
体验链接：adp.cloud.tencent.com/webim_exp/#…
系统架构概览
核心工作流程
该系统采用主子工作流协同设计，包含两个核心组件：
1. 主工作流（问诊自动填槽助手）：负责整体问诊流程控制和信息汇总
2. 子工作流（问诊追问）：专门处理单个问题的提问和答案收集
技术架构特点
● 智能主诉识别：基于Youtu/youtu-intent-pro模型，精准提取患者核心症状
● 知识库驱动：集成医疗专业知识库，生成标准化问诊问题
● 循环式交互：通过子工作流实现多轮对话式信息收集
● 结构化输出：将非结构化对话转换为标准化医疗数据
● 智能参数提取：自动识别和分类患者回答中的关键信息
核心功能模块深度解析
1. 智能主诉提取系统
系统的第一个关键模块是主诉提取，它是整个问诊流程的基础。
技术实现：
● 模型：Youtu/youtu-intent-pro
● 功能：从患者的自然语言描述中提取核心症状
● 参数配置：必需参数，确保每次问诊都有明确的主诉
示例输入输出：
● 输入：我最近总是头疼，特别是晚上的时候
● 输出：头痛
2. 医生匹配与科室分配
智能科室匹配
基于提取的主诉，系统自动匹配对应的医疗科室：
匹配逻辑：
● 症状-科室映射表
● 智能推理算法
● 多科室症状的优先级排序
用户体验优化：
● 即时反馈：“已自动为您匹配对应科室的在线医生，请稍等……”
● 减少患者等待焦虑
● 提升服务专业性
3. 知识库驱动的问题生成
医疗知识库集成
系统的核心优势在于集成了专业的医疗知识库：
知识库特征：
● 类型：DEFAULT（默认医疗知识库）
● 覆盖范围：全科医疗问诊标准
模型配置：
● 主模型：Deepseek/deepseek-v3-250324
● 检索策略：MIXING（混合检索）
● 文档召回数量：5
● 文档置信度阈值：0.2
● QA召回数量：3
● QA置信度阈值：0.7
生成逻辑：
输入：患者主诉
处理：知识库检索 + 大模型推理
输出：结构化问题列表（字符串数组）
格式：["标签1:问题1", "标签2:问题2", ...]
系统提示词：
你是一个资深医生，病人的主诉为{{input}}，该主诉对应的填槽问题有哪些，根据这些应该询问的问题，按顺序在每一个标签后都生成一个口语化的问题，每一个标签+应该问的问题为一个元素，最终输出一个字符串数组，不要输出其他无关信息
4. 循环式智能问诊
子工作流设计
系统采用循环迭代的方式，为每个问题调用独立的子工作流：
循环配置：
● 遍历模式：ALL（处理所有问题）
● 输入参数：问题列表、问题数量
● 终止条件：所有问题处理完毕或用户明确表示"我不知道"
问题拆分与处理
子工作流的核心功能是将复合问题拆分为标签和具体问题：
拆分算法：
def main(params: dict) -> dict:
input_string = params.get('input', "")
if ":" in input_string:
question = input_string.split(":", 1)[1].strip()
tag = input_string.split(":", 1)[0].strip()
else:
question = ""
tag = ""
return {
'tag': tag,
'question': question
}
处理示例：
● 输入：疼痛程度:您的头痛程度如何，1-10分您会打几分？
● 输出：
○ tag: 疼痛程度
○ question: 您的头痛程度如何，1-10分您会打几分？
5. 智能答案提取与结构化
参数化答案收集
系统使用专门的参数提取器收集患者回答：
提取配置：
● 约束条件：对于{{tag}}，医生问了问题{{q}}，病人的回答是什么
● 参数类型：answer（字符串类型）
上下文感知：
● 结合问题标签理解答案语义
● 处理模糊回答和不完整信息
● 自动补全和标准化答案格式
结论
基于ADP构建的AI智能问诊填槽助手代表了医疗信息化发展的重要方向，通过深度整合自然语言处理、知识图谱和机器学习技术，实现了从症状描述到结构化数据收集的全流程自动化。该系统不仅显著提升了问诊效率和质量，更为精准医疗和个性化诊疗提供了强有力的数据支撑。
