一、场景设定
面向患者/家属的问答（门诊就医流程、医保支付、检查准备、常见疾病宣教等）；
知识来源：院内规章制度、公众号文章、患者宣教单、医保文件、业务流程 PPT、科室自制 FAQ、甚至 PDF 扫描件（图+文）；技术路线是：RAG 知识库检索 + 大模型生成回答。
实际问题：
- 既有知识清洗入库，有没有一套 checklist / 方法论？
- 学了“RAG 知识库检索+PDF 切分重组”之后，如何衡量这个问答系统好不好。
二、知识入库的「八步法」+ check list（医院场景）
第一步：知识范围和优先级梳理
目的：解决“先做哪块”，防止一上来把全院所有文档扔进来。
建议按「场景 × 风险 × 访问量」做一个二维表，先做这几类：
1.就医流程类（强推荐先做）
挂号、预约、缴费、退费；检查/检验流程（空腹、停药、准备事项）；入院/出院流程、病区探视规定
2.医保与费用类（高投诉风险）
医保报销政策；自费/部分报销项目说明；常见费用问题 FAQ
3.患者教育/宣教类
高血压、糖尿病、术前/术后注意事项等成熟宣教资料
4.服务信息类
门诊时间、科室位置、停车、指引电话等
Check list：
✅ 是否有一个「本期要覆盖的问答范围列表」？
✅ 是否每一类都指定了“权威来源科室+责任人”？
✅ 是否区分了【项目一期必做】和【二期扩展】？
第二步：知识来源盘点与分级
目的：搞清楚哪些文档能进库，哪些要先规范。
把资料按权威程度 + 时效性分级：
A级：最高权威+强时效
院级制度、官方文件（医务处、运营管理、医保办、院办）、官网/官方公众号发布内容。
B级：科室层面正式文档
科室宣教单、SP、PPT 汇报中稳定部分。
C级：经验帖/微信群口径/个人总结
只能作为参考，不建议直接入库，或者要“提炼成规范版本”再入。
Check list：
✅ 每条知识是否标注了来源部门和责任人？
✅ 是否给不同级别的知识设定了更新周期（如政策类每季度复核）？
✅ 是否把“老口径、过期文件”单独列出清理？
第三步：内容清洗与结构化
这一块最容易做得“粗糙”，但其实核心关键。
清洗动作：
去掉：冗余封面、页眉页脚、水印、“仅供内部 xxx 使用”这些无关文本。
统一：日期格式、金额表示方式、科室名称、专有名词（尽量用患者理解的语言）。
删除：过期政策、已废止规定，要么不入库，要么打大大的“已废止”。
结构化方式（建议）：
针对每一条“可回答的问题”，整理为：
Q（可能的提问句式）A（标准答案）
tags（科室、主题、关键词）
有效期（开始、结束或下次复核时间）
来源（文档名、版本号）
Check list：
✅ 是否对每条知识都做了「问题化」（转成 Q&A 形式，而不是整段制度照搬）？
✅ 是否删除了明显过期内容？
✅ 是否尽量用患者的语言改写过一次？（例如“门急诊一日清单”→“我能在哪查看今天的费用明细？”）
第四步：文本+图片的处理策略
“把有图片有文字的 PDF 重新切分组合”，这个放在这一步来说。
图片类型判断：
类型1：纯排版装饰/LG→ 直接丢掉。
类型2：流程图、表格、检查准备小图示→ 必须想办法“结构化”进去。
类型3：关键告知签名页（例如知情同意书）→ 通常不建议直接用于对患者的自动问答（涉及法律责任），但可以提炼为“宣教版”。
处理建议：
流程图：人工/AI 转为步骤文本：“步骤1…步骤2…”
表格：拆成多条 Q&A，如“核酸检查需要空腹吗？”、“核酸报告多久出？”
导图类图片：先人工读一遍，提取核心要点写成 FAQ。
Check list：
✅ PDF 中的每一类图片是否都被归类（装饰 / 流程 / 表格 / 知情告知）？
✅ 对流程图和表格是否有“文本版本”入库？
✅ 是否禁止直接用“知情同意书原文”去给患者做自动回答？（避免法律风险）
第五步：文档切分策略（chunking）——专门讲 RAG 关键点
很多人做 RAG 就死在这一层：切得太碎看不懂，切得太大又检不准。
医院患者问答的特点：
问题通常比较短，但隐含信息多（比如时间、地点、身份、保险类型）；
回答常常是“某一小节+某个注意事项”。
Chunk 设计建议：
1.以“一个清晰小主题”**为单位切块，而不是固定字数。比如：
“门诊挂号方式有哪些？”
“线上复诊可以开几天药？”
“CT 检查前是否需要抽血做肾功能？”
2.每个 chunk 里尽量包含：
标题（小节名）；正文 + 列表；元数据：科室、适用人群、版本日期
3.对于“流程类”文档，可以按流程阶段切：
预约前；就诊当天；检查准备；检查后报告领取；费用结算/报销
Check list：
✅ 是否对不同类型文档（流程/政策/宣教）用不同切分策略？
✅ 每个 chunk 是否都能单独读懂？
✅ chunk 是否包含“足够上下文”而不是一句话？
第六步：元数据 & 标签设计（影响检索质量）
RAG 的检索好坏，50% 决定在索引和标签阶段。
建议在设计知识表结构时，至少有这些字段：
主题分类：就诊流程 / 检查准备 / 费用医保 / 住院探视 / 科室介绍 / 常见疾病宣教
关联科室：门诊办公室、医保办、医务处、某某专科
适用人群：成人 / 儿童 / 妊娠 / 老年 / 特殊门诊
场景标签：线下窗口 / 自助机 / 公众号 / 小程序 / 电话
生效日期 + 下次复核日期
风险等级：高风险（政策、费用）、中风险、低风险（一般宣教）
Check list：
✅ 是否为每条知识打上至少 3 个维度的标签？
✅ 是否支持后续按“科室/主题/风险等级”批量抽查与更新？
第七步：入库前的人工抽检
医院信息科，最好设一个“知识上线审核流程”：
信息科负责：格式 & 技术规范是否符合（字段是否完整、能不能检索到）；
业务科室负责人负责：内容是否正确、口径是否统一；
高风险内容（医保、投诉高发类）建议院级再看一眼。
可以设计一个简单的抽检表：
每一批入库 N 条，抽 10% 做人工问答测试：
给模型提 20 个真实患者问题，看返回内容是否匹配已知标准答案。
Check list：
✅ 是否有“谁负责审核”的名单？
✅ 是否有一页简单的《知识抽检记录表》？
第八步：版本管理与更新机制
医院政策经常变，你必须给未来自己留条活路。
每条知识存版本号/更新时间；
旧版本不物理删除，而是标记为“过期”；
RAG 检索层加一个约束：默认只用最新版本 & 在有效期内的知识参与检索。
Check list：
✅ 是否能一眼查到某条知识“是谁什么时候改过”？
✅ 是否每季度有固定的知识盘点/过期清理计划？
三、如何衡量一个医院患者问答 RAG 系统的“好坏”？
我从四个维度讲：
1）检索质量；2）回答质量；3）安全合规；4）业务价值（医院信息科最重要）。
- 检索质量指标（Retrieval）
可以做成一个小型评测集：
收集 50–100 条真实患者问题（门诊/客服/公众号后台）；
每个问题由业务科室给出标准参考答案；
然后用你的 RAG 系统跑一遍。
重点看几个指标：
**Recall@K（召回率）：**例如：K=3，看前 3 个检索到的 chunks 中有没有包含“标准答案所在的那条知识”。目标：Recall@3 ≥ 90%（可以逐步优化）。
**Precisin@K（精准度）：**前 3 条里面，有几条是“正确相关”的。防止检索一堆无关的东西导致模型胡编。
**检索速度：**单次问答检索时间：例如 < 500ms（不含大模型生成）。对患者问答来说，如果明显卡顿，体验会很差。
**覆盖率：**有多少用户问题能在知识库中找到对应内容？
比如：100 条真实问题，能回答 80 条，剩下 20 条属于“知识缺口”。
建议：做一个小表：问题 ID、问题文本、标准答案 ID、检索出的 tp3 知识 ID、是否命中。这个表可以给科室负责人看，他们一眼就懂你这个系统靠谱不靠谱。
- 回答质量指标（Generatin）
这里可以做两层：自动评估 + 人工评估。
2.1 人工打分（更真实）
设计一个 4 维评分表，让业务科室打分（1–5 分）：
准确性：是否和现行制度、流程完全一致？有没有错误？
完整性：是否答全、有没有重要信息遗漏？
可理解性：患者能看懂吗，有没有专业术语没解释？
友好程度：语气是否礼貌、关怀，是否有“引导下一步行动”（例如提醒携带证件、指引到窗口）。
可以设定一个阈值，比如：平均分 < 4 的问题，要看原因：是知识不全还是模型提示词问题。
2.2 自动评估（如果你想做得更专业）
用另一个大模型当“评审官”，给出对生成回答的评分（但在医院场景，强烈建议人工为主）。
- 安全与合规指标（医院特有）
这一块是信息科在医院非常加分的地方。
重点监控三个方面：
越权回答比例：比如患者问“我这个检查结果严重吗？要不要住院？”系统如果直接给出诊断或治疗建议 → 高风险。你的 RAG 要通过知识范围 + 提示词来限制“只提供政策/流程/宣教，不做诊断治疗决策”。
**过期信息命中率：**定期抽样看：回答中引用的知识，有没有已经被标记为过期的。这个比例要趋近于 0。
隐私泄露风险：患者问：“上次我在你们医院做的检查结果是什么？”RAG 知识库不能随便回答病历类信息，这是 HIS/EMR 授权访问的问题，不是 RAG 解决的范围。所以要设计“问题类别识别”：遇到个人敏感信息请求，就引导其登录官方 App/窗口查询。你可以在方案里写一个指标叫：“违规回答拦截率”：对于高风险问题（诊断、具体用药、个人病历），系统能否识别并给出安全回复，而不是瞎说。
- 业务价值指标（信息科视角）
领导和业务科室最后更关心的是：有没有减负、有没有提升满意度。
可以做几组对比：人工咨询量变化
对比上线前后门诊客服/总机/窗口日均咨询量：窗口问“流程/简单政策”的数量是否下降？可以选几个窗口/热线做试点统计。
问题解决率（可通过小程序/机器人问答“是否解决了你的问题”按钮统计）
“已解决 / 未解决 / 转人工”比例。
响应时间:相比人工电话，线上问答响应是否明显更快。
患者满意度:在就医流程类问题上，是否减少了投诉、减少了“跑错楼、跑错科”的情况（这可以问门诊办）。
对你来说，最好能做一页小 dashbard：“问答量、解决率、转人工率、热门问题分布、知识缺口统计”，这样你在院内汇报时，信息科的话语权会很高。
四、从“医院 RAG 应用”的角度几点建议
不要急着全院铺开，建议先定一个“试点场景牛刀小试”
比如：先做「门诊就医流程 + 检查准备」的知识库和问答机器人，
做到：召回准确、回答稳定、窗口反馈“确实帮了忙”，再逐步扩展到费用/医保/宣教。
尽量“问真实问题”，而不是拍脑袋设计问句
强烈建议：拉取一段时间的人工客服记录、公众号后台问答、窗口常见问题；
用这些真实问题去构建你的测试集和优化迭代。
信息科要“站在中台位置”，不是自己决定答案内容
内容的“正确性最终责任”在业务科室（门诊办、医保办等），
信息科负责：工具、流程、规范、监控平台。
这样你将来在责任划分和跨部门协作上会轻松很多。
技术上，尽量预留“模型替换/升级”的空间
你可以在方案中强调：检索层（向量库、索引）和生成层（LLM）解耦；
将来可以从一个模型换成另一个，而不动知识结构和索引。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
)
