Skip to content
BranchesTags

Repository files navigation

生产级医院导诊 Agentic 助手

基于 FastAPI + LangGraph + Redis + Elasticsearch + Milvus + DashScope 的医院导诊问答与流程指引助手，同时提供命令行前端（rich CLI），可以作为生产级医疗导诊 / 医疗流程问答系统的参考实现。

后端通过 LangGraph 状态机编排多轮对话、症状问诊、流程检索与意图识别，前端则以 CLI 形式演示多会话聊天体验（类似 ChatGPT 的会话列表）。

web页面：

后端cli-debug：

功能特性

  • 医疗导诊对话
    • 支持面向「症状问诊」和「就医流程」的多轮对话。
    • 多轮问诊系统：通过槽位填充逐步收集患者症状信息，输出结构化问诊表。
    • 方案A 症状提取架构（LLM 提原词 → Neo4j 转标准术语 → 可追溯）：
      • 步骤1: LLM 提取症状原词（保留用户原话，如"头壳痛"、"肚子疼"）
      • 步骤2: Neo4j 向量语义匹配（原词 → 标准医学术语，如"头壳痛"→"头痛"）
      • 步骤3: 槽位填充 + 知识图谱校验
    • KG + RAG 融合推理：融合知识图谱与多路RAG检索的综合科室推荐。
    • MCP 工具调度：所有数据源通过 MCP (Model Context Protocol) 统一调度。
    • 危险信号检测：实时检测胸痛、呼吸困难等危急症状，立即告警建议挂急诊。
    • 结合向量检索与流程文档检索，给出答案和建议。
  • 知识图谱增强
    • Neo4j图数据库：存储 CM3KG 症状-疾病映射、伴随症状、疾病关系
      • 3,108 个症状节点
      • 8,618 个疾病节点
      • 32,876 条症状-疾病关系
    • 向量搜索：症状语义匹配 (text-embedding-v2)
    • 两阶段检索：向量搜索 + 图推理 (多跳查询)
    • 判别性症状：动态生成追问问题，帮助区分不同科室
  • Agentic 对话编排（LangGraph）
    • 使用 AppState 管理对话状态，基于 LangGraph 构建状态机。
    • 多Agent协作：6个专业化Agent节点（意图识别、槽位填充、语义对齐、风险评估、追问生成、结束判断）。
    • 包含意图识别、RAG 检索、文档评估、Query 重写、答案生成等节点。
  • 多会话管理（类似 ChatGPT）
    • 会话列表、创建会话、删除会话、切换当前会话。
    • 会话与用户元数据（名称、创建时间、最近活跃时间）存储在 Redis。
  • 检索增强生成（RAG）
    • Elasticsearch：医院流程 / 制度等结构化文档检索（hospital_procedures 索引）。
    • Milvus：症状 / 医疗知识向量检索（medical_knowledge 集合）。
    • 混合检索增强（milvus_rag 节点）：
      • 双路检索：ES (rag_es) + Milvus (medical_knowledge)
      • RRF (Reciprocal Rank Fusion) 融合排序
      • LLM (qwen3-rerank) Rerank 精排
    • DashScope Embedding + Chat 模型。
  • MCP (Model Context Protocol) 工具调度
    • 所有数据源通过 MCP 统一调度
    • MCP Server: app/mcp/patient_server.py
    • MCP Tools:
      • Neo4j: infer_department, semantic_match_symptoms, get_possible_diseases
      • Milvus: milvus_search
      • Elasticsearch: es_search
      • PostgreSQL: pg_get_patient_by_name, pg_get_patient_history, pg_search_patients
      • 综合推理: kg_rag_fusion
  • 命令行前端（rich CLI）
    • cli.py 提供交互式 CLI，支持斜杠命令和 Markdown 渲染。
    • 通过 REST API 与后端通信，可作为 Web 前端的参考。

多轮问诊示例

轮次 用户输入 系统回复 填入槽位
1 我肚子疼 → normalize → 我腹痛 有没有恶心或腹胀等症状？ chief_complaint: "我腹痛", symptoms: ["腹痛"], location: "腹部", accompanying_symptoms: ["恶心"]
2 疼了3天了 疼痛程度如何？0-10分？ duration
3 大概7分疼 有没有什么情况下会加重或缓解？ severity
4 吃完饭更疼 以前有过类似症状吗？ triggers
5 还发烧，恶心 问诊完成，推荐消化内科 accompaning_symptoms: ["发烧", "恶心"], medical_history

输出 JSON 问诊表：

{
  "chief_complaint": "我肚子疼",
  "symptoms": ["腹痛"],
  "duration": "3天",
  "severity": "6-7",
  "location": "腹部",
  "triggers": ["进食"],
  "accompanying_symptoms": ["发热", "恶心"],
  "medical_history": ["无"],
  "risk_signals": []
}

完整问诊流程演示

输入：「我肚子疼，又咳嗽，1天，轻微，吃了昨天的饭，没有伴随症状，没有既往史」

系统回复：

根据您提供的症状（腹痛伴咳嗽，持续1天，症状轻微，无其他伴随症状，无既往病史），
结合知识图谱推理结果，现为您做出如下专业导诊建议：

### 推荐就诊科室及理由：

1. **呼吸内科（置信度 35%）**
   - 咳嗽是呼吸系统常见症状。若腹痛与咳嗽相关（例如咳嗽剧烈引发腹肌牵拉痛），
     则腹痛可能是继发性表现。此时原发病灶在呼吸道，应优先就诊呼吸内科。

2. **肝胆外科（置信度 24%）**
   - 若腹痛位于右上腹，且与进食（特别是油腻食物）相关，需警惕胆囊炎或胆结石可能。
   - 但您描述为"轻微腹痛"且无发热或恶心呕吐，该可能性相对较低。

### 综合建议：
- 若**咳嗽为主、腹痛随咳嗽出现或加重**，建议首诊 **呼吸内科**。
- 若**腹痛位置明确（如右上腹）、与进食相关、或逐渐加重**，可考虑 **消化内科** 或 **肝胆外科**。
- 若症状持续超过48小时、出现发热、呕吐、腹泻、黄疸或腹痛加剧，请及时就医。

三、系统架构流程

核心对话工作流采用 九步流水线 设计，以 MCP 为数据调度中心：

graph TD
    %% 1. 输入预处理
    Start((用户输入)) --> Step1["<b>1. 历史裁剪 (trim_history)</b>"]
    Step1 --> Step2["<b>2. 意图识别 (Decision Node)</b><br/>7B INT4 分类: 导诊/流程/闲聊/危急"]
    
    %% 2. 非导诊分支 (快速路径)
    Step2 -- "闲聊 / 拒答" --> ExitNode["<b>结束节点 (Exit)</b><br/>礼貌回复并直接终止"]
    ExitNode --> End((结束))

    Step2 -- "触发危急值" --> Emergency["<b>急诊红色通道</b><br/>人工介入 / 紧急告警"]
    Emergency --> End

    Step2 -- "办事指南 / 流程咨询" --> Step_ES["<b>ES 指南搜索 (MCP)</b><br/>检索医院手册/政策/流程"]
    Step_ES --> Step9

    %% 3. 导诊分支 (深度路径) - 意图识别后才做症状提取
    Step2 -- "看病导诊" --> Step3["<b>3. LLM 提取症状原词</b><br/>保留用户原话, 不做标准化"]
    Step3 --> Step4["<b>4. Neo4j 俗语转换</b><br/>原词 → 标准医学术语<br/>(如'头壳痛'→'头痛')"]
    Step4 --> Step5["<b>5. 槽位填充 (Slot Table)</b><br/>症状/时长/部位/程度"]
    Step5 --> Step6{"<b>6. 槽位完整性检查</b>"}
    
    Step6 -- "信息不足" --> Clarify["<b>动态追问 (Clarify)</b>"]
    Clarify --> Step3
    
    Step6 -- "满足检索" --> Step7["<b>7. 混合检索模块 (MCP)</b><br/>Neo4j 推理 + Milvus 向量"]
    
    %% 4. 质量校验与输出
    Step7 --> Step8{"<b>8. 答案生产检查</b>"}
    
    Step8 -- "相关性低" --> Rewrite["<b>Query Rewrite</b>"]
    Rewrite --> Step7
    
    Step8 -- "校验通过" --> Step9["<b>9. 答案合成输出</b><br/>整合指南信息 / 导诊建议"]
    Step9 --> End

    %% MCP 协议中枢
    subgraph MCP_Infrastructure [MCP Protocol Layer]
        MCP_Server{<b>MCP Server / Router</b>}
        T_Neo4j[(Neo4j Tool<br/>俗语转换/科室推理)]
        T_ES[(ES Tool<br/>指南/规章搜索)]
        T_Milvus[(Milvus Tool<br/>医学知识检索)]
        T_HIS[HIS API<br/>挂号卡片]
    end

    %% MCP 调用链路
    Step4 <==> MCP_Server
    Step_ES <==> MCP_Server
    Step7 <==> MCP_Server
    Step9 <==> MCP_Server

    MCP_Server --- T_Neo4j
    MCP_Server --- T_ES
    MCP_Server --- T_Milvus
    MCP_Server --- T_HIS

    %% 样式美化
    style Step2 fill:#f96,stroke:#333,stroke-width:2px
    style Step3 fill:#bbf,stroke:#333
    style Step4 fill:#bfb,stroke:#333
    style ExitNode fill:#ddd,stroke:#999
    style Step_ES fill:#fff9c4,stroke:#fbc02d
    style Emergency fill:#f66,stroke:#fff,color:#fff
    style MCP_Server fill:#f1f,stroke:#fff,color:#fff
Loading

各步骤说明

步骤 节点 功能
1 trim_history 历史消息裁剪，控制上下文长度
2 decision 意图识别（7B INT4）：导诊/流程/闲聊/危急
3 LLM 提取原词 提取症状原词（保留用户原话，不做标准化）
4 Neo4j 俗语转换 原词 → 标准医学术语（如"头壳痛"→"头痛"）
5 Slot Table 槽位填充（症状、部位、时长、严重程度等）
6 槽位检查 置信度 < 0.65 → 追问；≥ 0.65 → 检索
7 混合检索 Neo4j 推理 + Milvus 向量 + ES 流程
8 答案检查 相关性低 → Rewrite；通过 → 输出
9 答案输出 科室推荐卡片 + 导诊建议

LangGraph 节点映射

步骤 LangGraph 节点
1 trim_history
2 decision (意图识别)
3-4 diagnosis → fill_slots (LLM提原词 → Neo4j转换)
5 slot_fill
6 completion
7 kg_rag_fusion + milvus_rag
8 check_docs + rewrite
9 answer_generate

MCP 工具

工具 数据源 功能
Neo4j Tool CM3KG 知识图谱 症状映射、科室推理
ES Tool 流程指南库 医院手册/政策搜索
Milvus Tool 医学知识库 症状向量检索
HIS API 医院信息系统 挂号卡片、医生排班

环境配置

基础设施（Docker）

服务 端口 用途
Redis 6379 会话存储/LangGraph Checkpoint
Elasticsearch 9200 流程指南 RAG 检索
Milvus 19530 病历向量检索
Neo4j 7687 CM3KG 知识图谱
PostgreSQL 5432 患者画像数据库

环境变量

# 必需
DASHSCOPE_API_KEY=your_api_key

# 可选（带默认值）
ES_URL=http://localhost:9200
MILVUS_URI=http://localhost:19530
REDIS_URI=redis://localhost:6379
POSTGRES_URI=postgresql://postgres:postgres@localhost:5432/hospital
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=password

# 认证配置（微信登录 + JWT）
# 获取方式：微信公众平台/小程序后台 -> 开发管理 -> 开发设置
WECHAT_APP_ID=your_wechat_app_id
WECHAT_APP_SECRET=your_wechat_app_secret

# 生成方式：openssl rand -hex 32
JWT_SECRET_KEY=your-jwt-secret-key

# Token 过期时间（可选）
ACCESS_TOKEN_EXPIRE_MINUTES=60
REFRESH_TOKEN_EXPIRE_DAYS=7

快速启动

# 1. 启动所有基础设施（推荐使用 Docker Compose）
cd demo
docker-compose -f mcp_docker-compose.yaml up -d

# 或手动启动各服务
docker run -d --name redis -p 6379:6379 redis
docker run -d --name elasticsearch -p 9200:9200 -e discovery.type=single-node elasticsearch
docker run -d --name milvus -p 19530:19530 milvusdb/milvus
docker run -d --name neo4j -p 7474:7474 -p 7687:7687 -e NEO4J_AUTH=neo4j/password neo4j
docker run -d --name postgres -p 5432:5432 -e POSTGRES_PASSWORD=postgres postgres

# 2. 安装依赖
pip install -r requirements.txt

# 3. 导入数据
cd data/knowledge_graph && python import_cm3kg.py  # 知识图谱

# 4. 启动 MCP Server（SSE 模式，端口 8001）
python -m app.mcp.patient_server --sse &

# 5. 启动主服务
uvicorn app.main:app --reload

# 6. 运行 CLI
python cli.py

MCP 工具

所有数据源通过 MCP Server 统一调度（SSE 模式）：

数据源 MCP 工具 功能
Neo4j infer_department 症状→科室推理
semantic_match_symptoms 向量语义匹配
get_possible_diseases 查询可能疾病
Milvus milvus_search 病历向量检索
ES es_search 指南文档检索
PostgreSQL pg_get_patient_* 患者画像查询
综合 kg_rag_fusion KG+RAG 融合推理

MCP Server 启动

# SSE 模式（长期运行，推荐）
python -m app.mcp.patient_server --sse

# Docker Compose（推荐）
cd demo && docker-compose -f mcp_docker-compose.yaml up -d

MCP Client 使用

from app.mcp.client import MCPClient

# SSE 模式（连接远程 Server）
client = MCPClient(use_sse=True, sse_url="http://localhost:8001")
result = client.call_tool("kg_rag_fusion", {"symptoms": ["头痛"], "top_k": 3})

# stdio 模式（自动 fork 子进程）
client = MCPClient(use_sse=False)
result = client.call_tool("kg_rag_fusion", {"symptoms": ["头痛"], "top_k": 3})

运行说明

数据导入

# Neo4j 知识图谱
cd data/knowledge_graph && python import_cm3kg.py

# ES 流程指南（可选）
cd demo && python es.py

# Milvus 病历库（可选）
cd demo && python milvus.py

启动服务

uvicorn app.main:app --reload
python cli.py

API 简要说明

仅列出核心接口，详细字段可通过代码或自动文档（FastAPI Swagger）查看。

认证接口

接口 方法 说明
/api/v1/auth/wechat/login POST 微信小程序登录
/api/v1/auth/login POST 手机号登录
/api/v1/auth/register POST 用户注册
/api/v1/auth/refresh POST 刷新 Access Token
/api/v1/auth/me GET 获取当前用户信息
/api/v1/auth/logout POST 退出登录

微信登录流程

# 前端: wx.login() 获取 code
# 调用后端登录接口
POST /api/v1/auth/wechat/login
{ "code": "wx_code_from_login" }

# 响应
{
  "access_token": "eyJhbG...",
  "refresh_token": "eyJhbG...",
  "expires_in": 3600,
  "user": { "user_id": "wx_xxx", "nickname": "..." },
  "is_new_user": false
}

# 后续请求携带 Token
Authorization: Bearer <access_token>

聊天接口

  • POST /chat

    • 请求体：{ user_id: string, thread_id?: string, message: string, password_verified?: boolean }
    • 响应体（简化）：
      • user_id: 用户 ID
      • thread_id: 当前会话 ID
      • reply: 助手回复文本（Markdown）
      • intent_result: 意图识别结果（是否为症状/流程/混合等）
      • used_docs.medical / used_docs.process: 本轮使用到的文档列表
      • diagnosis: 多轮问诊信息 ★新增★
        • type: 问诊阶段（in_progress / complete / emergency）
        • completed: 是否完成
        • slots: 已填充的槽位（JSON 问诊表）
        • risk_signals: 检测到的危险信号
        • risk_level: 风险等级（none / warning / critical）

  • GET /threads?user_id=...

  • POST /threads

  • DELETE /threads/{thread_id}?user_id=...

  • GET /threads/current?user_id=...

  • POST /threads/switch

  • POST /users

  • GET /users/{user_id}

  • GET /healthz

适用场景与扩展方向

  • 医院导诊 / 分诊问答机器人。
  • 医院内部流程、制度、规则的问答助手。
  • 其他垂直领域（如保险、政务）的 Agentic RAG 助手参考实现。

可以进一步扩展的方向：

  • 替换/增加更多 LLM 提供商或模型。
  • 增加工具调用节点（如挂号、检查预约、费用查询）。
  • 接入 Web 前端或小程序前端。
  • 增强监控与日志分析，接入 APM / tracing。

说明

本项目主要用于展示「生产级医院导诊 Agentic 助手」的整体设计与实现思路，涉及的医学内容仅为技术演示示例，不构成任何医疗建议或诊断依据，请勿用于真实诊疗决策。

更新日志

v1.1.0 (2026-04-05) - Bug 修复与功能增强

修复的问题：

  1. 多轮对话症状丢失：修复了 fill_slots 在多轮对话中直接覆盖症状列表的 bug，现在会正确合并历史症状与当前轮提取的症状。

  2. Neo4j 科室推理失败：修复了 get_diseases_by_symptoms 和 query_department_by_disease 中使用了不存在的 [:就诊科室] 关系的问题。现在直接从 Disease 节点的 department 属性读取科室信息。

  3. KG+RAG 置信度过低：修复了融合置信度计算使用 probability（相对概率，总和为1.0）而非 score（原始归一化得分）的问题，使置信度能真实反映匹配质量。

  4. 科室推荐未传递：修复了 diagnosis_node 返回结果中未包含 department_inference 字段的问题，现在 answer_generate 节点能够正确接收并使用科室推荐结果生成专业的导诊建议。

功能增强：

  • answer_generate 节点现在支持接收知识图谱推理的科室推荐结果，并生成包含科室推荐理由、综合建议和就医提示的完整导诊回复。
  • 支持识别否定症状（如"不吐血"），帮助排除相关严重疾病。
  • 支持从用户输入中提取性别、年龄等人口统计学信息，并在导诊建议中考虑性别因素（如排除妇科）。

About

No description, website, or topics provided.

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

1 fork
Report repository

Releases

Packages

Contributors

Languages