前言:专业人最大的困境,懂业务,但不会造工具
对于医生这类拥有大量原创临床经验、专业理论的人来说,AI工具真正的价值,并不在于让AI凭空创造医学知识,而在于赋能专业从业者,把人脑里面沉淀的专业认知、原创理论,转化成可以运行、可以落地的软件产品。
我懂临床、懂辨证、懂患者的真实痛点,但是我不懂工程实现;AI擅长写代码、做调用、处理数据,却没有医学直觉。二者最大的鸿沟,不是技术能力,而是人和AI之间的沟通方式、拆解问题的方法论。
Trae给我最大的启发:专业人士驾驭AI,不是让AI指挥我,而是我拿着专业认知当方向盘,AI充当执行的手脚。但想要AI当好手脚,是有一套实操方法论的,踩过很多坑之后,我慢慢摸出一套适合专业人的人机协作模式。
一、踩坑实录:AI没有“肉眼直觉”,模糊指令等于无效指令
很多人用AI干活,会天然带入人和人沟通的习惯,这是高频翻车点。人类能看懂图片的左边、右边、上面、下面,能看懂页面的顶部底部,但是AI没有眼睛,它没有主观视觉感知。
我早期踩过这类大坑:
我直接下达指令:“把这张图片左边修改一下,再把图片右边调整”。
AI完全分不清我口中的“左”和“右”到底指代哪一块区域,输出结果完全偏离预期。又比如我说“把页面上面的文字改一改,下面这部分调整”,同样得到一堆不符合预期的产出。
人和人沟通的方位描述,对AI是模糊信息。后来我迭代出自己的沟通技巧:
1. 针对图像修改:不再说左右上下,直接圈出目标区域,明确告诉AI:画圆圈标记的这一块做修改,其余区域完全保持原样,禁止改动;
2. 我用Trae做舌象软件时,为了避免图像识别模型左右不分,手工添加红蓝两色浮标,告知它红色那一侧需要测量哪些数据,蓝色那一侧需要测哪些数据。
针对患者自拍左右和图像左右完全相同,他拍和左右颠倒的问题,我用Trae实现了镜像反转这个功能,让他拍左右先镜像翻转,先对齐后计算。
3. 针对文本、代码页面:抛弃“上面、下面”这类相对方位,直接锚定具体位置: 第23行之后这一排内容修改,其余代码不允许变动 ;
4. 硬性增加约束:修改完成之后,必须告知我改动位置、改动内容、影响范围,非指定区域严禁做任何变更。
这是专业人使用Trae Agent的第一课:不要默认AI可以看懂你的脑海画面。所有的模糊的主观描述,都要翻译成客观、可定位、边界明确的指令,把“改哪里、哪些绝对不能动”讲死,才能避免AI乱改一通,出现模块互相污染的问题。
就像我做排卵算法时踩过的坑,Agent因为没有明确边界,修改PPT动画的时候误改动算法常量,本质根源也是指令边界没有锁死。模糊指令,是专业项目bug的来源。
二、我的方法论:先架构,再拆分模块,高内聚低耦合
这套思路已经在排卵算法项目中验证有效,迁移到其他医疗产品开发同样通用,核心一句话:Architecture first,coding second,先搭思想骨架,再让AI填实现细节,对应软件工程的高内聚、低耦合。
作为专业人士,我先在脑中完成业务拆解:哪些是输入、哪些是处理逻辑、哪些是输出;哪些模块独立,哪些模块之间只允许通过标准格式交互;什么数据只能读,什么数据允许改写;每个模块只做一件事。
完成顶层设计之后,再把一个个边界锁死的子任务交给Trae Agent。
每个模块独立文件、独立入口,禁止跨模块随意修改变量,模块之间仅通过约定好的数据格式传递信息。
好处非常现实:某一个子模块出问题,不会把整个系统搞崩。
比如排卵项目中,试纸拍照识别模块就算识别全部失效,卵泡拟合的核心算法依旧可以独立工作。如下图,卵泡监测和排卵试纸识别两个模块彼此隔离。
放到舌象识别项目也是同理:图像预处理模块出故障,不会直接破坏后面中医辨证的规则引擎。
千万不要一上来直接告诉AI:帮我做一个舌象识别软件。
没有架构约束的情况下,AI会一股脑把所有逻辑揉在一起,后期调试、修改、迭代的代价会成倍放大。
三、第二套方法论:目标先行,结果反向溯源,倒推需要什么组件
很多人做项目习惯从“我手上有什么”出发,而我习惯先锁定最终想要达成的目标,再反向拆解,需要什么工具、什么能力,再去找对应的技术组件。
举个例子,我想要开发舌象识别软件,我的最终目标:上传舌头照片,系统输出中医辨证解读。
我不会上来就思考怎么写图像算法,而是直接把目标丢给TRAE:实现舌象识别可以用到哪些成熟开源组件?
Trae给出答案:MediaPipe,可完成人脸、舌头区域的关键点定位,输出坐标、像素等结构化数据。
但是MediaPipe仅仅只能输出客观图像数据:舌头的形态坐标、颜色像素、歪斜位置,它完全不懂中医。它不知道舌体胖大意味着脾虚,不知道舌头歪斜代表什么病机。
这时继续反向溯源:MediaPipe输出结构化数据,下一步我需要一个理解中医规则的大模型做解读。于是我搭配DeepSeek承接解析工作。
完整链路就反向推导出来:
图片输入 → Trae调用MediaPipe完成图像处理,输出客观舌象结构化数据 → 导入我固化好的原创中医辨证规则(舌左歪、舌右歪、舌胖大、齿痕对应的辨证逻辑) → DeepSeek结合专业规则,完成整体舌象解读输出。
整个过程不是从代码开始写,而是从最终想要拿到什么结果,反向一步步拆解,找到每一环需要的工具、数据、模型。专业人不需要精通每一个底层库,但是要知道每一环应该干什么,把不同的工具拼接成完整链路。
用Trae可以形成工具反向溯源,也就是告知它我要完成什么任务,让它给你列出需要的工具,以及如何串联。
四、原创专业理论如何交给AI消化:投喂-校准-迭代训练
很多专业从业者有自己原创的临床理论模型,这部分知识网上没有公开语料,AI原生是不懂的,这也是专业人士最大的核心资产。
拿我研究的《伤寒论》六经辨证举例,这是一套多层级、多维度N×N×N的树状知识架构,普通大模型的通用知识库很难精准贴合我个人的理解体系。
我的实操流程是:
1. 先把我自己写的理论文章、辨证规则文档全部投喂给Trae,Trae文档理解能力很到位,可以吃透我这套相对小众的原创理论框架;
2. 完成知识输入之后,不直接让它做完整诊断,先小样本测试,拿患者案例做输入,看AI输出的辨证结果和我的人工判断差异在哪里;
3. 根据偏差不断做校准、补充约束规则,一步步训练AI,严格按照我的六经辨证逻辑去分析舌象、症状;
4. 搭建树状分层知识结构,把六经辨证拆解成多层树状架构,一层一层向下分支。
树状多层架构的价值
六经辨证本身就是多维N×N×N的复杂体系,如果全部揉成一团,一旦辨证结果出错,你根本找不到到底是哪一条规则出了问题。
拆成多层树状结构,每一层对应一类判断,溯源就会非常清晰。当输出结果异常,我可以顺着树形分支向上回溯,快速定位:是第一层归经出错,还是第二层方剂判断出错,或是第三层方剂之间鉴别诊断出偏差。
对于医疗这种高风险专业场景,可溯源,比单纯给出一个答案更加重要。
每一层的判断模块同样遵循高内聚低耦合,可以单独修改某一层的辨证规则,而不会打乱整个辨证系统。
五.如何抓痛点,并且用Trae解决痛点?
作为医生,我也需要写论文,很多时候需要找参考文献,我们有时候也会借助AI帮我们找。但是相信写过学术论文的小伙伴们都知道,AI生成文献幻觉率很高,也就是所谓“幽灵文献”,所以我最开始是想做一个核验文献来源的智能体。
首先我把痛点整理出来和Trae讨论,在讨论的过程中我发现真正的痛点并非中文文献,中文文献在知乎、万方是容易查到的,真正的困难在于英文文献。
所以我后面做的方向改变了,聚焦于英文文献的可溯源查找智能体。最后做出来成品如下:输入关键词,可以查找多家权威英文学术库,并且返回的文献带链接,点开链接就可以核验原出处,彻底杜绝幽灵文献。并且输出格式有8种,适配国内外不同期刊要求。我做出来后分享给我一个三甲医院医生朋友,她连连称赞,声称解决了她的大问题。
复盘这个智能体的生产工程,并非一开始就方向明晰,是和Trae的讨论中,包括我让Trae查找相关权威报道,才渐渐找到方向。当然在做的过程中也出现如果我搜索两个关键词,智能体返回文章只带一个关键词,针对这种“丢包”现象,我要求它逐级命中,比如“针灸”“高血压”两个关键词,要求先返回带“针灸”的,再从这些文章中筛选出带“高血压”的,最后呈现到界面上的就是带这两个关键词的。
六、什么交给Trae,什么必须牢牢握在专业人自己手里
经过排卵算法、舌象辨证两套项目的实战,我总结出专业人和Trae人机分工的边界:
✅ 可以交给Trae Agent去完成:
-
在架构确定前提下,模块的代码实现、接口封装;
-
调用第三方开源库(MediaPipe等)的工程逻辑;
-
批量测试、回测、绘图、生成原型、商业文档;
-
多端任务调度,自动化重复任务。
❌ 绝对不能交给AI自主决定,必须专业人亲自把关:
-
底层专业理论、临床辨证规则、医学业务逻辑;
-
顶层架构设计、模块拆分、数据流转规则;
-
指令边界定义,什么可以改、什么绝对不能改动;
-
结果校验,所有输出必须由专业人复核。
AI可以成为你的工程助手,但不能替代你的专业判断力。Trae强大的Agent、IDE切换、三端同步能力,是放大专业能力的杠杆,而不是替代专业思考。
六、总结:AI赋能专业,本质是放大专业人的“思想落地能力”
过去,医生、行业专家空脑子里有大量成熟、经过临床验证的想法,但是受限于编程能力,想法只能停留在论文、笔记本、大脑当中,很难转化为工具、产品。
Trae带来的改变,不是AI替专家创造专业知识,而是打通了“专业思想”到“可运行产品”之间的工程鸿沟。
但是这份赋能是有前提的:
1. 摒弃人与人沟通的模糊习惯,给AI客观、可定位、边界清晰的指令;
2. 坚持先架构后编码,用好高内聚低耦合的模块拆分;
3. 掌握目标倒推过程的思路,以终为始,组合各类技术组件;
4. 原创理论做好文档投喂、迭代校准,善用树状分层架构保证逻辑可溯源;
5. 守住人机边界:专业判断归人,工程执行交给AI。
掌握正确方法论的专业人,可以驾驭Trae这个AI编程工具,把脑海中沉淀多年的专业价值真正落地,这才是真正的人机协作。