B2B2C 多端宠物医生（源码不开放）产品系统

**市场背景**
中国宠物医疗市场规模超500亿，年增长率20%+，但行业数字化程度低，存在严重的效率和体验问题。

**痛点一：医患信息严重不对称**
宠物主人缺乏专业知识，无法准确描述症状。例如"狗狗不吃饭"可能是消化不良、传染病、中毒等多种原因，主人无法判断严重程度，导致延误治疗或过度焦虑。兽医诊断高度依赖个人经验，缺少智能辅助工具，面对复杂病例时容易误诊。医疗记录分散在纸质病历中，无法追溯历史，难以进行数据分析和经验沉淀。

**痛点二：服务效率极其低下**
线下就诊需排队2-3小时，宠物和主人都承受巨大压力。医生每天重复回答相似问题（如"狗狗能吃什么"、"疫苗怎么打"），占用大量时间却无法提升收入。缺少预约管理系统，客户流失率高达40%，医院无法有效维护客户关系。

**痛点三：商业模式单一且获客成本高**
传统宠物医院依赖线下流量，获客成本高达300-500元/人。缺少数字化营销工具和客户留存手段，复购率低。宠物KOL和博主拥有大量粉丝但变现困难，无法与医疗服务有效结合，形成流量浪费。

**解决方案：B2B2C平台 + AI赋能**
构建三端分离的SaaS平台，通过AI技术连接三方角色，形成商业闭环：

**B端（医院/医生）**：提供AI诊疗助手降低误诊率30%，智能记忆系统自动记录病历，预约管理系统提升运营效率50%，客户管理系统提高留存率。

**C端（宠物主人）**：提供24小时AI健康咨询，解决80%的常见问题，降低就医成本。在线预约挂号，避免排队等待。社区互动增强用户粘性，提升平台活跃度。

**推广端（KOL/博主）**：提供分销工具和佣金系统（首次消费15%，复购5%），实现流量变现。为平台带来低成本获客（

**Skill驱动的AI架构（核心创新）**
将AI能力模块化为独立的Skill，每个Skill专注特定场景。设计了Orchestrator调度器统一管理，实现Skill的热插拔、智能路由和独立测试。当用户发起对话时，Orchestrator自动选择合适的Skill，加载上下文，检索知识库，调用LLM生成回复，最后保存上下文。这种架构使得新增AI能力无需修改核心代码，只需添加新的Skill配置文件（YAML + Prompt模板）。目前已实现5个核心Skill：症状记录、宠物诊断、护理建议、预约助手、知识学习。

**三层智能记忆系统**
设计了短期记忆（Redis）、长期记忆（PostgreSQL）、摘要记忆（自动生成）的三层架构。短期记忆存储最近10轮对话，TTL为1小时，用于快速访问和追问识别。长期记忆持久化完整历史，支持历史查询和数据分析。摘要记忆每15轮自动生成，使用LLM提取关键信息，压缩上下文，降低Token消耗30%。实现了智能追问识别算法：使用BM25计算话题相关性，结合时间衰减权重（越近的对话权重越高），多维度判断是否为追问。准确率达到85%+，响应时间

**系统架构设计**
采用经典的四层架构：前端层（4个独立应用）、API网关层（FastAPI统一入口）、业务服务层（按领域拆分）、数据层（PostgreSQL + Redis + PGVector）。每层职责清晰，便于扩展和维护。前端层包括平台管理端、医生端、C端H5、推广者端，共25,000+行TypeScript代码。API网关层实现JWT认证、限流保护、日志记录、异常处理，支持RESTful API和WebSocket双协议。业务服务层按领域拆分为用户服务、医疗服务、社区服务、推广服务，共25,000+行Python代码。数据层使用PostgreSQL存储关系数据，Redis缓存热点数据，PGVector实现向量检索。

**AI引擎架构设计**
这是项目的核心创新。设计了Orchestrator（AI调度器）作为统一入口，管理所有Skill。SkillRegistry（技能注册表）负责Skill的注册和发现，支持热插拔。ContextManager（上下文管理器）负责三层记忆的管理和追问识别。KnowledgeRetriever（知识检索器）负责RAG检索和知识注入。LLMClient（统一LLM客户端）封装了通义千问和OpenAI的调用，支持多模型切换。这种分层设计使得每个组件职责单一，易于测试和维护。Skill采用策略模式，每个Skill实现统一的接口（execute方法），Orchestrator通过工厂模式创建Skill实例。

**数据库设计**
设计了30+张表，支持完整的业务场景。核心表包括：用户表（users）、医院表（hospitals）、医生表（doctors）、客户表（customers）、宠物表（pets）、病历表（medical_records）、预约表（appointments）、对话会话表（conversation_se