企业官网建设流程全解析

“我们不是要做一个能替代医生的糖尿病风险筛查系统，而是要做一个让医生敢用、能复核、出了争议还能翻回原始依据的系统。”接手项目两个月后，团队才真正理解项目标题里那几个词的重量。DIASENTINEL 表面看是一个基于指南的多代理糖尿病风险筛查系统，但真正吃功夫的地方，不在模型精度，而在“可审计”三个字。它意味着系统任何一个判断都不应该是凭空出现的黑盒输出，而应是一条可以沿着指南条款、代理分工、输入证据和中间推理链一路回溯的逻辑路径。

过去几年，我见过太多健康类 AI 项目倒在没有病例愿意点击“采纳”这一步。问题通常不是算法不够聪明，而是临床人员根本不知道它为什么给这个分级、为什么没提某个风险因素、为什么和指南某个条目不一致。越自动化，越需要一个能讲清楚每一步的“账本”。DIASENTINEL 这类设计之所以值得关注，不是因为它把筛查变成了一个 AI 流程，而是因为它把 AI 流程变成了一套可以被审计、被复核、被复盘的工作流。这个思路同样适用于体检中心、慢病管理、社区健康档案和任何依赖规则与证据的结构化决策场景。

1. 为什么“可审计”和“指南为基”是这类 AI 系统的生死线

1.1 黑盒预测在医疗场景里为什么走不通

风险筛查不是一个“预测完就结束”的任务。医生的职责不只是告诉你“有风险”，还要告诉你风险从哪里来、依据是什么、下一步建议为什么是 A 而不是 B。糖尿病患者筛查更特殊，漏掉的可能是无症状人群，误报的又会占用随访资源。这时一个只输出“高风险”三个字的模型，在临床上几乎没有任何抓手。

更实际的问题是责任归属。如果系统给老年人打上“高风险”标签，却没有引用指南里基于年龄和体重指数的判断依据，医生不会签这个结果。如果系统给某个患者判为“低风险”，却忽略了指南中要求核查的家族史条目，审计时模型要能说出为什么忽略，或者有没有通过其他条件补偿。这个逻辑只有可审计系统才能支撑，黑盒输出做不到。

所以 DIASENTINEL 里那个“Auditable”不是锦上添花，是整个方案能站住脚的前提。它的目标不是做一个聪明的打分器，而是做一个“每一步都有据可查”的决策流程。

1.2 指南为基意味着把规则当成程序的骨架

所谓 Guideline-Grounded，本质上是把临床指南里的提醒式条件转成可执行的逻辑节点。比如指南规定“年龄大于等于 40、有糖尿病家族史、BMI 超过正常范围且缺乏运动的高危人群，应进入进一步检查路径”，系统就需要把这类文本变成可以逐行运行的规则，而不是让大模型自由生成判断。

这样做有三个明显收益：

• 决策可对照。任何一条输出都能对应回指南中的编号或章节。
• 结果可复制。同一份输入在不同批处理时间点跑，结论必须稳定。
• 更新可控制。指南修订后，只要调整规则层，不需要重新训练全部模块。

把指南落成代码，并不是把医生经验机械压缩，而是把原本存在于人脑里的判断流程变成显性配置。这对工程团队来说是件好事，因为你可以像做代码评审一样去审查医疗规则。

1.3 多代理组合不是炫技，是为了贴近协同分工

单代理系统也能实现“规则跑一遍再打分”，为什么还需要多代理？原因是真实筛查流程本身就是分工协作的。

• 一个角色负责收集和校验输入数据。
• 一个角色负责调取适用的指南条目。
• 一个角色负责把患者特征对到条目上，得出判断。
• 一个角色负责记录整个过程、生成可读报告。

每个角色作为一个代理，可以让逻辑边界和工作单元都变得清晰。某个环节出错时，不需要回滚整条流水线，只需要检查对应代理的输入输出。这种设计与可审计是天然匹配的，因为系统多了中间产物，每一个代理的决策都被留痕。

2. 把 DIASENTINEL 这类系统拆成看得见的结构

2.1 代理阵容怎么划分更合理

从一个工程蓝图的视角看，一个可审计的糖尿病风险筛查多代理系统通常会包含几个基本角色，每个角色有明确职责和出口文档。下面是一个通用拆法，实际落地时可以按临床场景调整：

在这套结构里，没有任何一个代理能独立产生最终结论。风险推理代理拿到的规则，一定由指南解析代理提供并记录；报告生成代理拿到的评级，一定由风险推理代理给出。就像公司里的审批流程，每一级都要签上自己的名字和依据。

2.2 代理之间的信息流：为什么不能被大模型串讲代替

如果把所有指南和患者数据丢给一个大模型直接输出结论，表面上流程更短，实际上可审计性会断掉。你拿到的只是语言模型一句“根据指南，该患者具有较高风险”，但模型究竟是引用哪一条、权重如何计算、为什么没有触发某条排除规则，都不可控。

代理结构讲究的是把信息流转变成有中间产物的过程：

1. 数据预处理代理对输入做清洗，输出结构化的患者画像。
2. 指南解析代理按人群标签筛选指南条目，输出当前患者适用的候选规则集。
3. 风险推理代理逐条运行候选规则，记录命中与未命中原因。
4. 报告生成代理把命中原因整理成最终意见，并把审计 ID 写入日志。

关键一步在于候选规则和命中规则都必须是显式数据，而不是隐含在模型权重里。这样设计，看着步骤多，却为后续调试、追溯和持续优化留足了空间。

2.3 最小流程示例：从一条记录到一张审计卡

下面是一个简化但完整的流程示意图，类似伪代码结构，用来帮助理解这类系统如何工作：

输入：一条个人健康记录 1. 数据代理： - 检查年龄、性别、BMI、家族史、血糖值等字段 - 输出：{age: 45, bmi: 26.8, ...} 2. 指南代理： - 基于记录中的年龄组选择筛查指南 - 输出：规则列表 rule_id: [A1, A2, B1, ...] 3. 推理代理： - 遍历规则列表 - 对命中规则输出 hit=yes，命中字段与数值差异 - 对未命中规则输出 hit=no 及原因字段 - 输出：risk_level=moderate 4. 报告代理： - 汇总推理结果与关键指标 - 输出：可读报告 + 审计记录

实际操作里，报告里还会带一个拼接的追踪信息，例如audit_trace_abc123，医生点开就能看到完整链条。

3. 从原型到可用，我建议按这个顺序落地

3.1 第一步：把指南变成可测试的条目，而不是急着写代码

DIASENTINEL 这类项目的工程起点不是写模型，而是把筛选指南做结构化。建议团队先完成两件事：

• 把指南文本按“适用人群、触发条件、冲突排除、执行建议”四列拆出来。
• 给每一条规则设计唯一编号，并记录规则来源指南版本号。

这是后面所有审计的基础。规则没有编号，代理之间的日志就会变成一锅粥。

更稳妥的做法是先找包含 20 到 30 条规则的指南章节做试点，搭好完整流程后，再逐步扩展到全部内容。如果一开始就把整本指南塞进来，规则冲突和边界问题会淹没你。

3.2 第二步：选定代理通信和数据交换格式

多代理系统最麻烦的不是每个代理的内部算法，而是代理之间的数据契约。如果风险推理代理拿不到数据代理输出的标准结构，后续规则匹配就是空中楼阁。

落地时建议先定义统一的中间数据格式，例如 JSON 格式的患者画像和规则判定结果。核心字段建议包含：

{ "patient_id": "P001", "risk_level": "moderate", "matched_rules": [ { "rule_id": "DM-2019-7", "matched_condition": "age>=40", "actual_value": 45 } ], "unmatched_rules": [], "audit_trace": "2025-01-15-001" }

这样一个结构既能让人读，也能让机器读。后续无论换哪个代理实现，只要遵循契约，整个流程就不会断裂。

3.3 第三步：单条记录跑通，再谈批量

先不要立刻做并发和批量筛查。先准备假阳性、假阴性、边界值这样几条典型记录，跑通从输入到审计报告的单条链路。

我建议的验证顺序是：

1. 用一条完全符合某条风险规则的记录，确认命中正确。
2. 用一条“部分符合、部分缺失”的记录，确认缺失项能否被完整记录。
3. 用一条可能触发规则冲突的记录，确认代理之间的冲突裁决策略是否明确。
4. 最后再检查整个 trace 日志是否可以被完整复现。

如果第一步就跑出与规则不相符的结果，通常先查数据代理清洗逻辑，再查推理代理的规则匹配语句，而不是先质疑模型选型。

3.4 第四步：让模型返回到它被放置的地方

很多团队会在风险推理代理里加入大模型，希望它能处理更复杂的语义理解。这本身可以，但要给大模型设一个明确的“可输出边界”。

大模型更适合做报告润色、非结构化文本抽取、复述指南措辞，不适合做规则命中的最终裁决。规则匹配仍然要回到规则引擎或纯代码判断上。这样可以保证核心结论可审计，大模型的作用被收敛到文字表达层。

4. 可审计不是挂在嘴上，要当成系统第一公民来设计

4.1 审计日志要记录哪些内容

很多项目把日志当成事后加上的补充模块，结果上线后才发现很难复盘。DIASENTINEL 这类系统应该把审计日志作为主要输出之一来设计。至少应包含几类信息：

• 版本信息：指南版本号、规则集版本号、模型版本号。
• 输入信息：原始记录的摘要、数据清洗前后对照。
• 规则信息：命中了哪些规则，哪些条件失败，哪些字段缺失。
• 决策信息：风险定级结果、影响定级的关键权重或规则、排除理由。
• 产生时间：代理执行顺序与时间戳。

这些日志不仅要写到文件里，还要让医生在前端界面里能直接查看，降低复核成本。

4.2 最容易踩的三个坑

第一个坑是规则版本没固定。今天用 2020 版指南跑的结论，明天被系统悄悄加载了新版规则，审计时就会对不上。解决方法是把规则版本写进每次筛查的审计 ID 中，后端运行时锁死当前版本。

第二个坑是中间产物被覆盖。有些团队为了节约存储，只保存最终风险等级，把中间命中结果删掉。一旦遇到纠纷，就没办法解释为什么得到这个结果。正确的做法是至少保存溯源 JSON 和日志文件，并按照合规要求设置保留期。

第三个坑是代理异常时静默跳过。数据质量代理发现字段缺失时，如果直接给空值并继续推理，可能得出假阴性。更合理的方式是记录缺失字段并标记“该结论基于不完整输入”，把问题推给人工而不是默默吞掉。

4.3 排查链路：先从日志开始，而不是先怀疑模型

遇到筛查结论异常或者医生质疑时，我建议按下面的顺序排查：

1. 查看审计 ID 是否完整生成。 2. 检查指南版本与规则编号是否匹配。 3. 检查数据代理输出：患者字段是否被错误清洗。 4. 检查规则匹配结果：为什么某条规则没有命中，是条件阈值还是数据类型问题。 5. 检查最终风险定级逻辑：是否存在多重规则叠加导致的冲突。 6. 只有走到最后一步，才去怀疑模型推理部分。

如果日志里面第 3 步肉眼可见有错误，就不要花时间重新训练模型。这个排查顺序可以避免一大半不必要的模型调优。

5. 这类系统真正适合什么场景，又该警惕什么

5.1 适合在过程明确、制度清晰的环境里使用

糖尿病风险筛查本身具有几个适合作自动化的特点：有公认指南、有结构化指标、有明确的分级建议、流程重复度高。如果单位内部已经有标准筛查路径，只是想让系统承担部分初筛和报告生成工作，那多代理加审计的模式就非常适合。

它尤其适合基层医疗、体检中心和慢病管理项目。因为这些场景里医生不足，筛查量大，且需要定期复核。可审计系统让上级医疗机构或者质控部门抽查时，能快速定位到每一个决策，而不需要重读病历。

5.2 在开放性问题和缺乏规范的场景要谨慎

如果筛查需求还没有统一指南，或者风险评估需要结合大量非结构化主观描述，那么现在这套基于规则与显式代理的结构就不太合适。盲目套用会创造出大量“为了审计而审计”的数据，反而拖慢流程。

另外，不要把系统输出直接当成临床诊断。风险筛查只是初筛工具，不能替代血糖检测和医生面诊。审计日志能记录决策依据，却不能消除所有医学不确定性。

5.3 想要真正进入生产，还需要补齐几块工程拼图

DIASENTINEL 这类项目从演示到生产，通常还差几块关键拼图：

• 权限与脱敏。患者数据访问必须严格按角色控制，审计日志本身也可能包含敏感字段。
• 监控与告警。规则实体变动、代理执行异常、输出分布漂移都需要被监测。
• 定期复评。指南版本更新后，需要有固定流程重新评估旧记录，并通知相关医生。
• 人工复核界面。医生需要能对系统结论提出异议，并留下人工修订记录。

这些拼图不补齐，系统再准确也无法在临床体系里长期运转。

回看 DIASENTINEL 这个标题，它真正想要解决的事很朴素：把 AI 从“一个聪明的答案生成器”变成“一位每一步都能解释的同事”。在这个目标下，多代理不是架构上的自我炫耀，指南也不是数据库里的死文本，审计更不是事后补上的合规负担。它们共同构成了一个医疗 AI 系统能否被信任的最小必要条件。如果你也在做类似的风险筛查、慢病辅助决策或者体检流程自动化，不妨先把规则版本、中间产物、审计链路这三件事搭起来，再去追求更复杂的模型效果。因为能让系统走远的，从来不是某个时刻的准确率，而是每一次判断都能被重新翻开、看懂、并经受住追问的能力。