口语主诉难对应科室？语义理解正在重做医院导诊

从影像辅助读到病历质控，从药物研发到慢病随访，医疗大模型的热度不只在资本市场，政策层面也持续关注人工智能辅助诊疗……顺着这股势头看，门诊导诊是重要环节之一。它看起来简单，就是问一句症状、指一条路，可真要做成系统，得让机器听懂人话，仅靠固定规则可能难以覆盖复杂场景。导诊的核心之一是知识匹配，辅助将患者主诉对应到合适的科室和医生。

口语和科室之间，隔着一道鸿沟

患者描述症状，用的基本是生活语言。"肚子右下方一阵阵绞着疼"，这句话里没有"阑尾"两个字。传统分诊系统靠关键词匹配，可能出现漏检或误匹配。仅靠关键词匹配，可能难以关联右下腹绞痛与急性阑尾炎，也不易进一步定位到普外科。

问题不止在语言。科室介绍、医生专长、出诊时间、检查项目，这些东西散在好几份文档里，还有一部分锁在 HIS 的字段中。没有统一语义层，分诊可能较多依赖人工经验。人工判断的稳定性可能受经验差异影响。

先把文档嚼碎，再搭一张关系网

要让机器分诊，第一步是把医院手里的非结构化资料变成它能用的知识。科室介绍 PDF、诊疗范围 Word、医生专长表、健康科普文章，格式杂，内容散，这一点医院信息科的人最有体会。文档处理引擎可用于这一环节：上传之后可自动识别类型，提取原始文本，再按语义分块切成有独立含义的短段，与固定字数切分相比通常更完整。切完用 BGE-M3 模型转成向量，存进向量库。

光有向量还不够。系统会用知识图谱把症状、疾病、科室、医生、检查这几类实体拎出来，再把它们之间的关系织成一张网。右下腹绞痛连到急性阑尾炎，阑尾炎连到普外科，普外科连到具体医生和他们的出诊日。这样当一句话进来，模型不是孤立地猜，而是顺着网络找最近的那条路。

混合检索加意图识别

分诊真正难的地方，是理解人话。这里用到的核心是检索增强生成，也就是 RAG。它先把患者的话向量化，去向量库里找语义相近的片段，这一路容错性较高。同时开一路关键词检索，用 Elasticsearch 做严格匹配，防止重要医学术语被漏掉。两路结果融在一起，通常比单靠某一路更为稳定。

模型本身可默认采用 BGE-M3（北京智源研究院发布），该模型对中文和多语言支持较好……不对，对中英混合场景表现较为稳定，向量维度 1024，在效果和速度之间较为均衡。向量库 Milvus 支持 HNSW、IVF_FLAT 这些索引，数据量上来之后能灵活调配。

还有一层是意图识别。患者问的可能是去哪个科、找哪位医生、怎么挂号，诉求不一样，后面的动作就不同。先分清意图，再决定走哪条检索路径，有助于返回更匹配的结果。

落地之后，改变的不只是准确率。分诊准确性提升，有助于降低退号率。患者更有可能第一次挂对科，减少反复退号重挂，门诊节奏有望改善。护士可减少重复问答，将更多时间用于需要评估的病人。导诊台不仅承担指路功能，还可辅助将患者分流到合适的科室。

上面这套能力，不是停留在纸面。小艾智能体的设计思路与上述方案有相似之处。它的文档处理引擎支持 PDF、Word、Excel、图片等格式，自动识别后做语义切分，再用 BGE-M3 写入 Milvus 向量库。知识图谱模块基于 Neo4j，用 Cypher 做关联查询和路径推理，正好用来建模症状到科室的关系网络。

检索层面，小艾可同时运行向量检索、ES 关键词和混合检索，为 RAG 提供知识片段，有助于减少大模型幻觉。工作流可基于 LangGraph 编排，可支持状态持久化、断点续跑，分诊流程可配置为一串节点：接收主诉、意图识别、向量检索、图谱补充、返回科室与医生。

私有化方面，小艾可支持本地部署，核心数据可在院内处理，有助于满足医疗合规要求。对医院来说，它不仅提供问答能力，还可提供一套辅助知识应用的工作流。

导诊这件事，机器在记忆完整性和标准一致性方面具有优势，但人工判断仍有不可替代的价值。系统可辅助整合全院科室知识和医生专长，便于查询调用。