先坦白一件事:我不会写代码。
四个月前,我连 for循环和 if 语句的区别都说不清楚。我的日常工作是在门诊看诊、开方、和病人解释检查单,跟代码没有任何关系。
但我现在做出的东西是:一套能测算排卵时间的算法、一个带测算页和科普页的产品原型、还有一份 17 页的商业计划书。
一个不会写代码的医生,凭什么能做出算法产品?
这就是这篇文章想回答的问题。答案不是"我学会了写代码",而是我把"架构"这件事做对了,剩下的交给了 TRAE。
为什么非要自己做
在临床待了 18 年,我最揪心的一个群体是多囊卵巢综合征(PCOS)备孕患者。
她们排卵极不规律,周期从 35 天到 6 个月不等。月经 App 的"下次月经前 14 天排卵"对她们完全失效,医生能给的唯一金标准是 B 超监测:一个周期跑 3–8 次医院,每次 100–200 元。有患者告诉我,她月薪 4000,光监测排卵一次就要花掉一两百,更别提那些辗转五年的备孕路。
这个痛点太具体了,具体到我知道它该怎么被解决。市面上的 App 都在猜"日期",而医生真正看的是"卵泡大小"。只要把思路从"猜日期"换成"算卵泡生长速度",这个问题就有解。
问题是,有解和做出来,中间隔着一整个软件工程。
下面我分三个部分讲:算法怎么想的、踩了哪些坑、以及我是怎么用架构和分工让 TRAE 把这套东西真正跑起来的。
一、正常月经周期:换一个思路算
市面上月经 App 的底层假设是"排卵发生在下次月经前 14 天"。这个假设对规律周期有点用,对 PCOS 几乎失效。
我换了个思路:不看日期,看卵泡大小。
B 超单给的是卵泡尺寸,而医生真正想知道的是"还有多久排"。这两件事之间,差一个生长速度。当卵泡大于 1.3cm 后,它的发育近似一条直线:
y = kx + b
y 是卵泡大小,x 是距月经第一天的天数,k 是这个周期的生长速度。只要有两组以上监测数据,就能拟合出这个人的 k。
有了 k,再结合排卵阈值 Y(一般 1.8–2.0cm),剩余时间就出来了:
剩余时间 = (Y - 当前卵泡大小) / k
同一女性不同周期的 k 是相对稳定的,但排卵日可能差很多。所以不能用固定周期长度反推排卵日,而要用卵泡的实际生长速度去预测它还要多久到终点。
以上就是第一层思路,也是正常周期模块的全部核心。
二、非正常月经周期:把历史周期折算到当前速度
PCOS 患者的难点在于,这个月 40 天,下个月可能 70 天;这个月长得快,下个月长得慢。单看当前周期,样本太少,一点测量误差就会把斜率带偏。
那历史周期能不能用?
不能直接用。历史周期长得快(k2 大)、当前周期长得慢(k1 小),拿历史斜率算当前剩余时间,结果一定是偏短的。
核心解法是做斜率校准:把历史周期折算到当前周期的速度坐标系里。
具体分四步:
- 历史周期负责定阈值 Y:取各历史周期排卵当天卵泡大小的中位数(不是平均数,为了抗离群点),作为这个人的共识排卵阈值。
- 当前周期负责定速度 k1:用本周期已监测的数据拟合。
- 折算:校准系数 = k1 / k2,历史剩余时间乘以这个系数,就落到了当前速度下。
- 共享同一个 Y:卵泡排掉时的大小是个体特征,不随周期变。
有个很优雅的副产品:起点偏移 b 会被自动消掉。因为剩余时间 = (Y - y_now)/k1,而终点满足 Y = k1·x_end + b,两式相减后 b 直接约掉,剩余时间就等于 x_end - x_now。这意味着不管不同女性月经起搏点差多远,都不影响最终预测。
最后输出时,我做成小时级四级分级(>24h / 12–24h / 6–12h / ≤6h 或已达阈值),并且刻意剔除了同房建议、受孕概率这类医疗建议表述,坚守"纯工具"定位,规避合规风险。
算法思路到这里就讲完了。真正难的不是想通,是把它变成能跑、能验证、不互相拖垮的代码——下面是踩坑实录。
三、算法踩坑实录:那些让我重新设计架构的问题
整个算法不是一次写对的。我在 TRAE Agent 模式下踩了三个关键坑,每一个都倒逼我优化了架构。
坑一:单周期拟合被单点噪声带偏
第一次我让 Agent 直接写了一个"输入两点算斜率"的版本。结果测试时发现,如果用户某一次 B 超测量有误差,比如把 1.5cm 记成 1.6cm,整个斜率 k 就会被带偏,剩余时间估算差出十几个小时。
后来我要求 Agent 改成最小二乘拟合,至少用 3 组数据,让各点均匀分布在直线两侧,残差平方和最小。这样单点噪声的影响被显著稀释。
坑二:斜率校准函数偷偷改了全局变量
一开始我让 Agent 把斜率校准和最小二乘拟合写在一个文件里。结果校准函数内部为了"方便",直接修改了拟合函数里的一个全局列表,导致不同周期数据混在了一起,回测结果完全混乱。
这个 bug 让我意识到:必须给模块下硬约束。后来我把拟合和校准拆成两个独立函数,明确规定输入参数不可变,只返回结果,不准碰任何外部变量。
坑三:历史周期阈值 Y 的取法
最早我取的是历史周期排卵大小的平均值。结果有一个周期卵泡特别大,把平均值拉高了,导致后续所有周期的剩余时间都被低估。
后来我改成取中位数,并加入一个简单规则:如果历史周期少于 2 个,就 fallback 到通用阈值 1.9cm。这个改动让算法在不规律人群上的稳定性明显提升。
坑四:PPT 生成和算法代码互相污染
这是一个跨模块的坑。我让 Agent 同时生成 PPT 和算法代码,结果它在生成 PPT 封面动画时,不小心动到了算法模块里的一个常量定义。虽然 wings 动画本身只是视觉装饰,但它暴露了一个大问题:当所有任务混在一起时,Agent 很难保证只改该改的地方。
从那以后,我强制所有功能独立成文件,每个文件只暴露一个入口,Agent 修改前必须先说明"我要改哪个文件、为什么、影响范围是什么"。
四、后期加入"排卵试纸拍照比对":用 LH 峰值做细颗粒验证
算法粗颗粒已经能给出剩余时间和分级,但 B 超数据毕竟依赖医院,用户不能天天跑医院。为了进一步提高预测的细颗粒度,我在项目中后期加入了排卵试纸拍照比对功能。
排卵试纸的原理是检测尿液中的 LH(黄体生成素) 浓度。试纸上有两条线:C 线(对照线)和 T 线(检测线)。T 线颜色越深,说明 LH 浓度越高,越接近排卵峰值。通常在 LH 峰值出现后 24–36 小时内会排卵。
这意味着,如果用户能每天在家拍一张排卵试纸照片,系统就可以通过识别 T/C 线颜色深浅,判断 LH 上升趋势,从而和 B 超算法结果交叉验证,把排卵窗口预测得更准。
拍照比对模块的设计
这个模块不负责任何核心算法计算,只负责把用户上传的排卵试纸照片转成可供算法参考的结构化信号。内部拆成四层:
preprocess.py:图像旋转校正、裁剪试纸 ROI、白平衡和光照归一化。
line_detect.py:自动定位 C 线和 T 线区域。
color_quantify.py:计算 T 线与 C 线的灰度 / RGB 比值,输出半定量的 LH 强度指数。
confidence_check.py:对识别结果打分,模糊、反光、试纸失效等低置信度情况标记为"需人工复核"。
如何与算法结果融合
拍照模块的输出是一个独立信号:
{
"date": "2026-10-15",
"lh_ratio": 0.72,
"peak_detected": false,
"confidence": 0.91,
"needs_review": false
}
这个信号和 B 超算法的结果相互独立:
B 超算法从"卵泡大小 + 生长速度"角度给出剩余时间。
试纸拍照从"LH 激素峰值"角度给出排卵临近信号。
两者在页面层汇合,由融合规则决定最终提示。比如:当 B 超算法给出 6–12 小时内排卵,且试纸 LH 比值快速上升时,系统对 Level 3 的置信度会进一步提高。如果两者信号矛盾,系统会提示用户再测一次或去医院确认,而不是给出一个武断的结论。
这样做的好处是:即使某天试纸拍照识别失败,核心 B 超算法仍然能独立工作;反之,如果用户没有最新 B 超数据,试纸趋势也能提供参考。
目前排卵试纸拍照比对仍处于原型验证阶段。对于光线均匀、试纸清晰的图片,T/C 线定位和比值计算的准确率可以接受;对于强光、阴影、过期试纸等情况,识别准确率会下降,需要人工复核。这部分作为下一阶段重点优化方向写入商业计划书。
五、TRAE 能力实战:一个人如何完成一个团队的项目
这个算法加商业计划书,放在传统开发流程里,至少需要产品经理、算法工程师、前端、PPT 设计师几个人配合。但我在 TRAE 里一个人完成了。关键是我把 TRAE 的几种能力用对了场景。
Agent 模式:负责"边界清晰的批量产出"
TRAE 的 Agent 模式是我这次能独立完成项目的核心。我可以把一个复杂任务拆成多个子任务,让它分模块推进。
比如我让两个 Agent 并行:
Agent A 负责算法代码,只写 algorithm.py,不准碰 PPT。
Agent B 负责 PPT 生成,只写 generate_ppt.py,不准碰算法。
两个 Agent 并行工作,互不污染。Agent 模式的强项是"你给我骨架和约束,我去填充细节",非常适合这种模块边界清晰的项目。
IDE 模式:负责"必须自己把关的精确环节"
有些环节我不会交给 Agent,而是切回 IDE 模式手动处理:
算法数学公式推导:最小二乘公式、校准系数设计,必须自己验算。
数据结构校验:确认输出格式符合预期,不会传错字段。
历史阈值中位数逻辑:这个业务规则如果我不确认,Agent 很难理解为什么取中位数而不是平均数。
PPT XML 注入后的解析检查:用 ElementTree 逐节点验证,确保文件能正常打开。
Agent 模式和 IDE 模式随时切换,是我认为 TRAE 这次升级最有价值的地方之一。它不是"全交给 AI",而是"AI 做它能做的,人做必须人做的"。
三端同步:桌面写代码,Web 查资料,移动看进度
我的典型工作流是这样的:
早上在桌面端打开 TRAE,用 Agent 模式跑一轮算法样本回测。中途需要查 PCOS 临床数据或参考文献,切到 Web 端用 AI 查资料。午饭前要出门,打开移动端看一眼 Agent 任务进度,确认"算法回测完成,等待人工复核",然后才离开。
这种接力感让项目推进不会被"我现在不在电脑前"打断。
自动化任务:把重复回测交给机器
我把"每天自动跑一轮样本回测"设成了自动化任务。跑完自动生成校准前后的收敛对比图,如果偏差超过阈值就提醒我。这让我不用每天手动跑测试、画图、看结果,省下了大量重复劳动时间。
模板库:快速启动商业计划书
做商业计划书时,我用 TRAE 模板库里的"商业计划书"模板快速生成了基础框架,包括产品定位、市场分析、商业模式、团队介绍、路线图等模块。然后在这个骨架上逐步填充医疗 AI 项目的内容,比从零搭建快了至少一倍。
六、先有架构,再分模块:我的产品架构与隔离设计
这个项目我能用 TRAE 一个人做出来,最关键的一步不是写代码,而是先画清楚架构图。 Architecture first,coding second。
如果一开始就让 Agent 直接写完整功能,它一定会为了"逻辑连贯"到处改。所以我先自己定义了产品的顶层结构,然后才交给 Agent 逐个模块实现。
第一步:顶层分成两大页面
我把整个产品先拆成两个完全独立的大页面:
科普页面:面向不了解排卵监测的用户,解释 PCOS 困境、B 超负担、现有 App 为什么不准。这个页面只做信息展示,不产生计算,和测算页面彻底解耦。
测算页面:面向有 B 超数据的真实用户,输入数据后输出排卵时间估算。这是产品的核心功能页。
这两个页面从路由、组件、数据源上完全独立。科普页改文案不会影响测算页,测算页升级算法也不会让科普页报错。
第二步:测算页面再拆成两大分支
进入测算页面后,我按用户类型拆成两个并行模块:
分支 A:正常月经周期模块
适用人群:周期相对规律,月经周期波动在 7 天以内。
这个模块走"标准规律推算 + 个体线性拟合"两层:
输入:距月经第一天的天数 + 当前卵泡大小
处理:用该用户本周期已监测的数据拟合斜率 k,再除以到排卵阈值 Y 的差值
输出:剩余时间 + 四级分级
代码上我把它独立成 normal_cycle.py,对外只暴露一个函数:
predict_normal(days, sizes, threshold_y) -> (remaining_hours, level)
分支 B:非正常月经周期模块
适用人群:PCOS、周期长、排卵不规律。
这个模块是算法的核心,我又把它拆成两个子模块:
子模块 B1:最小二乘法做粗颗粒拟合
least_squares.py 只做一件事:给定一组(天数,卵泡大小),用最小二乘拟合出 y = kx + b,并返回斜率 k 和置信度。
它不管排卵阈值,也不管历史周期,只负责把当前周期的生长速度算准。
这样做的好处是:最小二乘是一个成熟、稳定的数学工具,我可以单独验证它。输入 3 组以上数据,输出斜率;如果数据点太少或 k 为负,模块内部直接返回异常,不会让后续流程带着错误数据继续跑。
子模块 B2:多周期斜率校准做粗颗粒预测
multi_cycle_calibration.py 负责把历史周期和当前周期拉到同一个速度坐标系。
它接收:
当前周期斜率 k1
历史周期斜率列表 [k2, k3, ...]
历史周期排卵大小列表,用于推断阈值 Y
它输出:
校准后的剩余时间列表
共识排卵阈值 Y(中位数)
这个模块内部只做数学折算,不碰原始数据。历史数据从数据库读进来是什么样,出去还是什么样,模块只读不写。
第三步:排卵试纸拍照法做细颗粒精度提升
算法粗颗粒已经能给出剩余时间和分级,但 B 超数据不能天天测。为了进一步提高预测细颗粒度,我又加入了一个独立模块:
排卵试纸拍照比对模块 photo_compare.py
这个模块不负责任何 B 超算法计算,只负责把用户上传的排卵试纸照片转成 LH 浓度信号。内部再拆四层:
preprocess.py:图像旋转校正、裁剪试纸 ROI、白平衡和光照归一化
line_detect.py:自动定位 C 线(对照线)和 T 线(检测线)区域
color_quantify.py:计算 T/C 线颜色比值,输出半定量 LH 强度指数
confidence_check.py:对识别结果打分,模糊、反光、试纸失效等低置信度情况标记为"需人工复核"
拍照模块的输出是一个独立信号:
{
"date": "2026-10-15",
"lh_ratio": 0.72,
"peak_detected": false,
"confidence": 0.91,
"needs_review": false
}
这个信号和 B 超算法结果相互独立,在页面层汇合后由融合规则决定最终提示。如果两者信号一致,置信度提高;如果矛盾,提示用户再测或就医确认。整个核心算法流程完全不受影响。
第四步:模块隔离的硬约束
架构定好后,我在 TRAE 里给每个模块都下了硬约束:
每个模块一个独立文件。
normal_cycle.py:正常周期测算
least_squares.py:最小二乘拟合
multi_cycle_calibration.py:多周期斜率校准
photo_compare.py:排卵试纸拍照比对入口
photo_compare/preprocess.py、line_detect.py、color_quantify.py、confidence_check.py:试纸拍照子模块
ui_calculation_page.py:测算页面容器
ui_education_page.py:科普页面容器
每个文件只暴露一个入口。
比如 multi_cycle_calibration.py 只暴露:
def calibrate(current_k: float,
historical_ks: list[float],
historical_ovulation_sizes: list[float],
current_size: float) -> dict:
返回校准后的剩余时间、共识阈值 Y、校准系数列表。
硬约束:
1. 不修改任何输入参数
2. 不访问全局变量
3. 内部异常自己 try-except,不抛到外层
模块之间只通过约定格式通信。
测算页面不会直接调用最小二乘内部函数,而是调用 least_squares.fit()。拍照模块不会直接改算法输入,而是返回统一格式的字典,由页面层决定是否采用。
跑通一个模块,再加下一个。
我先让 TRAE Agent 写出 least_squares.py,用 5 组示意数据验证拟合结果正确。确认无误后,再写 multi_cycle_calibration.py,验证校准后三个周期收敛。最后才接入 photo_compare.py 和前端页面。
这样做的好处是:哪怕排卵试纸拍照识别某天完全失败,核心 B 超算法依然能跑;哪怕 UI 页面需要大改,least_squares.py 也不用动。
这就是模块隔离的价值:粗颗粒 B 超算法保证可用性,细颗粒试纸拍照提升验证精度,科普页面扩大传播,三者独立,互不拖累。
七、产出与后续规划
当前产出
排卵时间测算算法:三层递进,小时级四级分级,支持规律 / 不规律月经周期,含斜率校准和曲线对齐。
商业计划书 PPT:17 页,含市场痛点数据页、算法方案页、校准意义页、商业模式页、团队介绍页。
原型工具:支持手动输入 B 超数据和排卵试纸拍照比对两种数据录入方式。
后续方向
扩充真实样本,持续回测算法的校准增益。
优化排卵试纸拍照比对的 T/C 线识别准确率,接入更专业的医疗影像识别能力。
探索与生殖中心、健康管理机构的 API 或白标合作。
探索与硬件厂商合作,将算法嵌入监测设备,降低患者监测频率、提高依从性。
八、总结
从门诊诊室的痛点,到 TRAE Agent 模式下的算法产品,这个过程让我深刻体会到:
AI 时代写代码,拼的不是敲键盘速度,而是系统架构能力和人机协作能力。
TRAE 的 Agent 模式让我有了"一个能批量产出的队友",IDE 模式让我保留了对关键环节的精确控制,三端同步和自动化任务让项目推进不再受地点限制,模板库则帮我快速启动了原本需要设计师配合的商业计划书。
但最重要的是,我始终清楚哪些该交给 Agent,哪些必须自己把关。Agent 可以做模块实现、文档生成、批量测试;但医学逻辑、数学推导、业务规则、最终验证,必须人来做。
掌握了这种人机协作的节奏,你就不再是被 AI 折腾的测试员,而是驾驭 AI 的架构师。
如果你也有一个想了很久的项目,不妨现在就在 TRAE 里把它拆开,从一个独立的小模块开始跑。