智慧医疗智能知识问答系统产品系统

针对医疗大模型幻觉、知识滞后等痛点，构建 MySQL+Milvus 双库融合的 RAG 智能问答系统，实现
结构化/非结构化数据精准检索与语义问答，落地于患者问诊、医生诊疗指南查询等医疗场景，满足医疗场景准确性、合规性与可溯源性要求。

意图路由模块：识别用户问题类型（如患者问诊、诊疗指南查询），智能分配至对应检索通道，适配多场景医疗问答需求。
双路检索模块：结构化数据检索（MySQL）处理科室信息、药品参数等结构化医疗数据，实现参数化精准查询；非结构化数据检索（Milvus+MedicalBERT）对医疗文档做语义分块与向量检索，精准匹配专业医疗知识。
结果融合模块：对两路检索结果进行相关性排序、去重与筛选，为大模型生成提供可靠的知识依据。
大模型生成模块：基于医疗专属 Prompt 模板，结合检索结果生成可溯源回答，消除生成随机性，保障医疗回答的准确性与合规性。
接口与部署模块：基于 FastAPI 搭建高性能接口层，通过 Docker 完成容器化打包，支持医院内网本地化部署，满足医疗数据隐私要求

主要功能：实现医疗场景下结构化 / 非结构化数据的精准检索与语义问答，解决大模型幻觉、知识滞后等痛点，满足医疗场景准确性、合规性与可溯源性要求，提升患者问诊与医生诊疗查询的效率。

1.个人负责任务
主导系统架构设计，搭建意图路由 + 双路检索 + 结果融合 + 大模型生成的核心流程；对医疗非结构化数据做语义分块、MedicalBERT 向量化，基于 Milvus 搭建向量库并优化索引，提升检索召回率；设计医疗结构化数据库，实现参数化 SQL 查询以防止 SQL 注入；基于 LangChain 编排 RAG 全流程，定制医疗专属 Prompt 模板；基于 FastAPI 搭建高性能接口层，通过 Docker 完成容器化部署，支持医院内网本地化部署。
2.技术栈与实现亮点
采用 Python+LangChain+MedicalBERT+MySQL+Milvus+FastAPI+Docker 技术栈，构建MySQL+Milvus 双库融合的 RAG 架构，解决医疗数据异构性问题；通过 MedicalBERT 向量提升医疗语义检索精度，使检索召回率达 92%+；设置 temperature=0 消除生成随机性，实现回答可溯源率 100%；支持内网本地化部署，满足医疗数据隐私与行业合规要求，达到工业级医疗 AI 落地标准。