Agentic Health-Py 体检健康管理_系统开发案例-程序员客栈

1. 医疗健康行业，ai 应用
2. 解决RAG在企业中的应用
3. 解决Agent在企业中的应用

基于 Agentic Fusion 已构建的 Milvus 体检健康知识库，开发 AI 执行层服务，专注增强型 RAG 检索、AIOps 智能运维、垂直领域微调与 ReAct Agent 工具集。通过 REST API 被 Agentic Fusion 的工作流节点调用，形成“基础设施 + 智能执行”的混合架构。
技术栈：
Python 3.10、LangChain、LlamaIndex、FastAPI、Milvus、LLaMA Factory、Qwen2.5-7B、RAGAS、Ollama/vLLM、Docker
核心功能：
• 增强型 RAG 检索：从 Milvus 读取体检知识库数据，实现混合检索（向量+BM25）+ RRF 融合 + BGE-Reranker 重排序 + 父子分块策略，p99 延迟

个人职责与核心贡献：
• 检索架构设计：基于 LlamaIndex 构建多级检索流水线：① 双路召回（向量 + BM25）；② RRF 融合排序；③ BGE-Reranker 精排。相比单路检索，召回率提升至 82%，p99 延迟控制在 0.9s 以内。
• AIOps 模块：设计多 Agent 协同的告警聚合、日志挖掘、指标诊断与修复建议流程，显著提升运维自动化水平。
• LoRA 微调与部署：基于 LLaMA Factory 微调 Qwen2.5-7B，构建 3 万条体检健康数据，准确率提升至 88%；采用 Ollama + vLLM 双栈方案，单卡吞吐量提升 2-3 倍，支持完全离线推理。
• RAGAS 评估：搭建体检评估数据集，以忠实度、答案相关性为核心指标，优化后忠实度 92%、答案相关性 0.91，形成闭环迭代。
• ReAct Agent 实现：基于 LangChain 封装 5 个专用工具（套餐推荐、报告分析、健康建议、复查提醒、趋势分析），支持指标对比与生活方式建议生成。
• 混合架构集成：通过 FastAPI 暴露 REST API，与 Agentic Fusion 中台实现“编排与执行分离”——Java 中台负责工作流调度、模型路由、状态持久化；Python 服务专注 RAG 检索、Agent 推理、微调模型调用。
项目成果：
• 累计处理报告解读请求 5000+ 次，用户反馈良好。
• AIOps 模块使故障发现时间缩短 60%，告警准确率提升 35%。
• 通过混合架构，既保留了 Java 中台的企业级稳定性，又快速引入了 Python AI 生态的灵活性与前沿能力，为团队后续拓展更多 AI 场景提供了可复用的模式。