当昆医大附一院的患者小程序上线“智能就医助手”时，后台技术团队正忙于将DeepSeek大模型嵌入医生工作站——昆明医院AI助手正从单一问答工具进化为覆盖诊前、诊中、诊后的全流程智能体。这场医疗AI的演进，背后藏着技术人必须吃透的两个核心概念：RAG（Retrieval-Augmented Generation，检索增强生成）与Agent（智能体）。本文将深入拆解两者的技术原理与实现路径，提供可运行的代码示例与高频面试考点。

一、痛点切入：为什么医疗场景需要AI助手？

先看一段“旧方式”代码——传统医疗问答系统的核心逻辑：

 传统关键词匹配式医疗问答（伪代码）

def old_medical_qa(question):
    rules = load_rule_base()            预定义数千条规则
    keywords = extract_keywords(question)
    
    for rule in rules:
        if keywords in rule.keyword_list:
            return rule.answer
    
    return "抱歉，未找到匹配答案"

这段代码的问题一目了然：

• 维护成本极高：规则数量动辄数千条，每次知识更新都要手动修改

• 扩展性差：新疾病、新疗法入库周期长，无法快速响应

• 语义理解弱：“感冒”和“上呼吸道感染”被视为不同关键词

• 单点孤立：只能回答问题，无法调用医嘱系统、检验系统完成完整任务

传统医疗知识问答系统更像一个定制化超级引擎，基于明确的规则和逻辑符号，需要行业专家将知识翻译成计算机能理解的规则和框架-18。

2025—2026年，我国医疗大模型进入规模化落地元年，从辅助诊断、智能审方到影像识别，全面融入临床工作流-33。昆医大附一院的“智慧服务能力提升”专项，建设内容涵盖了从智能分诊导诊、智能预问诊到智能用药管家的完整AI助手体系-1。支撑这些能力的底层技术，正是RAG与Agent。

二、核心概念讲解：RAG（检索增强生成）

RAG（Retrieval-Augmented Generation，检索增强生成） 是一种结合信息检索与文本生成的技术范式。简单说：先查资料，再回答问题。

用一个生活化类比来理解：想象你在做一个开卷考试。传统大模型是“闭卷作答”——全靠预训练时记住的知识，一旦考题超出记忆范围就容易“编答案”（即大模型幻觉问题）。RAG相当于给了你一本书，你先翻书查资料（检索），再把查到的内容用自己的话组织成答案（生成）。

RAG引入知识图谱来增强信息检索和生成质量，通过双层检索系统全面覆盖信息，同时还能快速更新数据，保持实时高效的响应-17。

RAG的核心价值在于：

• 降低幻觉：答案基于检索到的真实知识，而非模型“猜测”

• 知识可更新：知识库独立于模型，更新无需重新训练

• 可溯源：每个回答可标注知识来源，满足医疗合规要求

三、关联概念讲解：Agent（智能体）

Agent（智能体） 是一种能够感知环境、自主决策并调用工具执行任务的人工智能系统。如果说RAG是“回答问题”，那Agent就是“完成任务”。

Agent的典型架构由三大核心模块构成：感知层（理解用户意图与上下文）、决策层（规划任务步骤与工具选择）、执行层（调用工具完成具体操作）-。

以昆明市中医医院的智能病历质控系统为例：该系统部署了DeepSeek等专业医学大模型，支持语音转写、关键词生成病历草稿，还能深度对接HIS系统，对诊断、检查、治疗等相互间的逻辑矛盾进行实时弹窗提醒-8。一个典型的Agent工作流程是：用户语音输入 → 感知层解析意图 → 决策层规划步骤 → 调用语音转写API → 生成病历草稿 → 调用HIS接口回填数据 → 执行逻辑质控并弹窗提醒。

Agent还有另一种重要形态——多智能体协作（Multi-Agent） 。在复杂医疗场景中，多个Agent各自扮演不同角色（如“诊断Agent”“用药Agent”“随访Agent”），通过协作完成完整诊疗任务。轻松健康推出的循证医学智能体证元芳·MedClaw，医生可在平台内一键调用多Agent协作能力，完成从任务拆解、证据检索、指南比对到结论生成的完整闭环-。

四、概念关系与区别总结

RAG与Agent的关系，一句话概括：RAG是Agent的“知识引擎”，Agent是RAG的“行动指挥” 。

RAG专注于通过外部知识增强大模型的回答能力，适合知识密集型任务；AI Agent则通过自主决策和工具调用实现复杂任务执行，适合动态环境和多步骤操作-。

在医疗实践中，两者并非对立而是协同。一个完整的医疗AI助手往往采用 Agentic RAG 架构——Agent负责理解用户意图、规划执行步骤，在需要知识检索时调用RAG模块获取信息。例如，医生问“患者最近三次血糖值异常，请分析并生成随访建议”，Agent先调用RAG检索患者的血糖历史记录（检索），再调用大模型进行分析与生成（生成），最后将结果回填到随访系统（执行）。

五、代码示例：从零构建医疗RAG系统

以下是一个基于LangChain和FAISS的医疗RAG问答核心实现：

 医疗RAG问答系统核心实现（Python）
import os
from langchain.document_loaders import DirectoryLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from langchain.llms import OpenAI
from langchain.chains import RetrievalQA

 Step 1: 加载医疗知识文档（临床指南、药品说明书等）
loader = DirectoryLoader('./medical_knowledge/', glob="/.txt")
documents = loader.load()

 Step 2: 文本分块（保持语义完整性）
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=512,       每块512字符
    chunk_overlap=50      块间重叠50字符，避免语义断裂
)
chunks = text_splitter.split_documents(documents)

 Step 3: 构建向量数据库
embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")
vectorstore = FAISS.from_documents(chunks, embeddings)

 Step 4: 构建检索问答链
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})   检索Top-3相关片段
qa_chain = RetrievalQA.from_chain_type(
    llm=OpenAI(model="gpt-3.5-turbo"),
    chain_type="stuff",            将检索结果直接拼接到提示词中
    retriever=retriever
)

 Step 5: 问答
question = "糖尿病的一线口服药物有哪些？"
answer = qa_chain.run(question)
print(answer)   输出基于知识库的精确答案，可标注出处

关键步骤注释：

1. 分块策略：医疗文本专业性强，分块过小会丢失上下文，建议512~1024字符并保留20%重叠

2. 嵌入模型选型：医疗领域建议使用领域微调的嵌入模型（如BGE-Medicine）而非通用模型

3. 检索增强：上述代码中search_kwargs={"k": 3}决定了每次检索的片段数量，可根据需求调整

对于更高阶的场景，可采用图谱增强RAG——在传统RAG基础上引入知识图谱，在复杂问答、推理、因果分析等场景下更精准地发挥作用-17。

六、底层原理：RAG与Agent的技术支撑

6.1 RAG的底层技术栈

6.2 Agent的技术架构

Agent的本质是 LLM + 工具调用 + 规划执行。其核心技术包括：

• ReAct模式（Reasoning + Acting）：Agent交替进行推理（思考下一步做什么）和行动（调用工具），形成可追溯的决策链条

• 工具注册与调用：通过Function Calling机制，Agent识别用户意图后调用预定义API（如查HIS数据、写病历、发随访）

• 记忆管理：短期记忆（对话上下文）+ 长期记忆（向量数据库存储历史诊疗记录）

• 监督微调（SFT） ：在预训练语言模型基础上，使用标注好的下游任务数据对其进行进一步训练，将通用语言模型适配到特定医疗任务中-

以昆医大附一院的AI建模服务为例，利用AI智能模型对科室诊疗策略、支出安排、人力资源配备等关键要素进行模型构建，提供推荐方案供科室管理者参考——这正是Agent在管理决策场景中的落地应用-9。

七、高频面试题与参考答案

Q1：RAG是什么？它解决了大模型的哪些问题？

参考答案：RAG（检索增强生成）是一种结合信息检索与文本生成的技术范式。它解决了大模型的两个核心问题：一是知识时效性不足，预训练数据截止后无法更新；二是事实幻觉，模型可能生成不符合事实的内容。RAG通过先检索外部知识库再生成答案，保证了回答的准确性和可溯源性。

Q2：RAG和Agent的核心区别是什么？

参考答案：RAG的目标是增强回答质量，属于知识密集型任务工具；Agent的目标是完成任务执行，具备自主规划和工具调用能力。RAG是Agent的“知识引擎”，Agent是RAG的“行动指挥”。在医疗场景中，两者常结合为Agentic RAG架构使用。

Q3：医疗AI中RAG系统的知识库如何构建？

参考答案：医疗RAG知识库构建需遵循四步：①数据采集（临床指南、药品说明书、学术文献等权威来源）；②文本清洗与分块（去除噪声、保持语义完整性）；③向量化（使用领域专用嵌入模型如ClinicalBERT）；④建立索引（使用FAISS或Milvus等向量数据库）。关键挑战在于知识来源的权威性和数据合规性。

Q4：医疗Agent如何保证决策的准确性和安全性？

参考答案：医疗Agent需构建“感知→规划→行动→反馈”四层闭环。具体措施包括：①人机协同，允许医护人员中途介入干预；②可追溯性，每个决策步骤记录在案；③规则约束，预定义安全边界（如药物禁忌）；④多Agent投票机制，关键决策由多个Agent共同确认。

Q5：请简述Agentic RAG架构在医疗场景的应用流程。

参考答案：Agentic RAG将Agent的规划能力与RAG的检索能力结合。以医生问“患者血糖异常，分析原因并生成建议”为例：Agent先解析意图，调用RAG检索患者历史数据和指南，分析原因（如“近期饮食记录显示碳水摄入增加”），生成建议并回填系统。关键创新在于多轮迭代——Agent可追问补充信息后再次检索分析。

八、结尾总结

本文从昆明医院AI助手的实际建设场景出发，系统梳理了医疗AI助手的核心技术演进路径：

易错点提醒：面试中常混淆RAG和微调——RAG是在推理时检索外部知识，不改变模型参数；微调是通过训练数据调整模型参数。两者可互补，而非替代。

2026年3月27日发布的《国际AI医院智联体共识》首次在全球层面统一AI医院内涵，确立智慧医疗、智慧服务、智慧管理、智慧科教四大核心能力框架-6。云南省第一人民医院作为西南地区唯一全程参与共识编制的机构，正在推动AI助手从单点工具向系统性智能体演进-6。

进阶预告：下一篇文章将深入医疗大模型的监督微调（SFT）与强化学习（RLHF） 技术，从“拿来即用”到“私有化部署”，手把手构建专属医疗垂直大模型，敬请期待。