循证医学的系统评价（Systematic Review）与 Meta分析是临床指南制定的金标准，但其制作流程极其耗时耗力：一篇高质量系统评价往往需要研究团队投入 6—18个月，反复进行文献检索、去重、标题摘要筛选、全文筛选、数据提取、偏倚风险（ROB）评估、Meta 分析与 GRADE 证据分级。其中标题摘要筛选动辄需要人工阅读数千至上万条文献，数据提取和质量评估又高度依赖专家经验，存在效率低、主观性强、双人核对成本高、可重复性差等痛点。本项目立项旨在借助大语言模型（LLM）的语义理解与结构化输出能力，将循证医学研究中重复性高、规则明确的环节实现 AI 自动化与人机协同，把研究者从海量重复劳动中解放出来，显著缩短系统评价制作周期、降低人力成本并提升筛选与提取的一致性，面向医学科研人员、循证医学中心、医院临床团队及医学院校等用户群体提供一站式工具链。
平台围绕系统评价制作全流程，提供"项目工作流"驱动的十大模块：①文献检索策略生成（AI 辅助生成PubMed/检索式）；②文献管理（Zotero/EndNote XML 导入、自动去重）；③纳入排除标准构建（Criteria Builder）；④标题摘要 AI筛选（基于 LLM 对上万条题录批量判定纳入/排除）；⑤AI 智能全文获取与全文筛选；⑥数据提取（按自定义模板从 PDF中结构化抽取数据）；⑦偏倚风险 ROB 质量评估（RoB 2.0 等工具自动评估）；⑧Meta 分析/一体化数据分析（传统 Meta分析与统计绘图）；⑨GRADE 证据质量分级；⑩研究报告生成。系统支持任务断点续跑（Checkpoint/Resume）、SSE实时进度推送、暂停/恢复、重新筛选，并配套用户等级与多 LLM模型配置、金币计费与余额冻结结算、发票管理、用户反馈对话等运营功能；前端基于工作流状态看板实时展示各阶段完成进度。
本项目后端基于 Python FastAPI + SQLAlchemy 异步 ORM + MySQL + Redis，前端采用 Vue 3 + ElementPlus，整体为前后端分离的模块化单体架构。亮点是统一 LLM 集成层自动计量计费、余额冻结机制保障并发安全、文件级 Checkpoint实现长任务断点续跑与 SSE 实时进度推送；难点在于万级文献批量 LLM 筛选的吞吐与稳定性、多进程序列化通信以及 Windows平台兼容适配。
评论