> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/context_engineering_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/context_engineering_guide/di-si-bu-fen-gong-cheng-shi-zhan-yu-wei-lai-yan-jin/13_cases/13.1_medical.md).

# 13.1 医疗：电子病历问答系统

## 13.1.1 场景背景

医生在诊疗过程中，需要快速从患者厚厚的历史病历中查阅既往史、用药情况和检查报告。传统的关键词搜索难以处理“患者最近一次血糖异常是什么时候？”这类语义查询。

## 13.1.2 上下文设计挑战

1. **准确性要求极高**：医疗场景容错率极低，绝对不能出现幻觉。
2. **术语复杂**：包含大量缩写、同义词和专业术语。
3. **时序敏感**：病情的演变与时间高度相关，必须严格区分“现在”和“过去”。

## 13.1.3 解决方案

### 结构化病历重组（写入策略）

原始病历通常是非结构化的文本。在写入向量库之前，先进行结构化处理：

```json
{
  "date": "2025-10-12",
  "type": "检查报告",
  "content": "空腹血糖 7.8 mmol/L",
  "entities": ["空腹血糖", "7.8"],
  "standardized_code": "GLU"
}
```

**关键点**：引入医学知识图谱（KG），将自然语言映射到标准术语代码（如 ICD-10, LOINC）。

### 混合检索策略（选择策略）

采用 **关键词检索 + 向量检索 + SQL 查询** 的三路召回：

* **关键词**：精确匹配药物名（“二甲双胍”）。
* **向量**：匹配语义描述（“降糖药”）。
* **SQL**：处理时间查询（“最近三个月” -> `date > NOW() - 90d`）。

### 说明书式上下文（隔离策略）

System Prompt 采用严格的“说明书”风格：

```markdown
你是一个严肃的医疗助手。遵循以下原则：
1. 只能依据 <context> 标签中的内容回答。
2. 如果上下文中没有提及，必须回答"未在病历中找到相关记录"，严禁编造。
3. 引用每一条结论的来源（如：[2025-10-12 门诊记录]）。
```

## 13.1.4 效果评估

通过构建覆盖典型问答场景的黄金数据集，对比优化前后效果（示意口径）：

* **准确性与一致性**：相较基线有明显提升。
* **幻觉风险**：在“仅依据病历回答”的约束下显著降低。