全链路健康数据智能分析与预警系统（全栈架构 / AI大模型）

技术信息

语言技术
Python、Flask、Docker、Redis、HTML5系统类型
Windows、Web行业分类
人工智能、医疗健康

作品详情

行业场景

1、立项原因（解决什么产品问题）
核心痛点：

数据孤岛：家庭成员的体检报告、穿戴设备数据、日常打卡记录散落在各处，缺乏统一的高效管理。

隐私焦虑：市面上的健康APP多为云端SaaS，用户极度敏感的医疗数据存在外泄风险，且无法离线使用。

分析肤浅：传统健康软件只做“表面统计”（如简单的折线图），无法深度分析各项指标之间的“因果关联”，更做不到主动预警。

产品解法：打造一套面向小家庭的私有化全链路健康认知系统。将多源异构数据统一接入本地湖仓，引入因果推断引擎（PCMCI）挖掘数据背后的深层关联，并结合本地私有化部署的 Qwen 大模型，实现从“被动记录”到“主动预警与智能分析”的跃迁。

2、行业场景业务背景
业务背景：
随着大健康与慢病管理需求的爆发，家庭/个人对健康管理的重视程度空前提升。但健康医疗数据属于最高级别的隐私数据，很多高净值人群或垂直养老机构，极其排斥将核心数据上传至公有云。

落地场景与业务流程：

数据接入层：每日定时汇集穿戴设备、体检报告及 66 个业务微模块（打卡、慢病、调理）产生的数据。

存储与分析层：通过 TimescaleDB 处理时序数据，DuckDB 做 OLAP 分析，Neo4j 建立健康知识图谱。

智能预警层：底层因果引擎每日 05:10 自动扫描，一旦发现异常因果链，立即触发健康简报；结合本地 Qwen 27B 大模型与 RAG 医疗知识库，生成通俗易懂的干预建议。

系统运维：通过 Docker 容器与 NSSM 服务实现无人值守的自动化巡检与红绿灯告警机制，确保系统 7×24 小时高可用。

功能介绍

本系统采用微服务架构与全本地化部署，主要包含以下五大核心功能模块：

1. 多源数据接入与统一湖仓

支持体检报告、穿戴设备、日常打卡等多格式异构数据的自动解析与统一接入。

底层采用 TimescaleDB 处理高并发时序流数据，DuckDB 构建轻量级 OLAP 分析引擎，实现毫秒级的数据清洗与聚合查询。

2. 深度因果推断与主动预警

内置自研因果分析引擎，应用 PCMCI 双通道与 Stouffer 元分析算法，深度挖掘健康指标间的因果关联（而非简单的表面相关）。

每日定时自动扫描异常数据链，一旦识别到潜在健康风险，立刻通过系统红绿灯与多端告警推送主动预警简报。

3. 本地化 AI 智能问答与知识图谱

完全离线私有化运行：底层部署本地 Ridge Qwen-27B 及 8B 大语言模型，确保用户极度敏感的医疗健康数据 100% 不出内网。

深度集成 RAG 架构，构建忌口、医学、调理方案三大私有知识库；结合 Neo4j 建立个人健康知识图谱，支持自然语言精准问答与个性化干预建议生成。

4. 66 项全链路健康业务微模块

涵盖打卡预警、慢病专项管理、体质调理、健脑游戏、早期筛查干预等 66 个垂直业务子模块。

前端采用 Vue3 + Vite 构建极速响应式 Web 界面，为用户提供流畅的交互体验与多维度的数据看板。

5. 无人值守的极客级自动化运维

全套服务通过 Docker 容器化与 NSSM 服务驱动，实现全自动开机自启与高可用兜底。

内置定时巡检（每日 04:30）与因果扫描（每日 05:10）任务，具备完善的错误重试与系统级红绿灯状态监控接口，确保系统 7×24 小时稳定运行。

项目实现

本项目采用前后端分离 + 多引擎微服务架构，全链路遵循本地化/私有化部署标准，技术实现路径如下：

1. 微服务架构与前后端分离设计

前端：基于 Vue3 + Vite 构建，运行于 :3000 端口，实现极致流畅的响应式数据看板与交互。

主应用层：使用 Flask (Python) 搭建，运行于 :5000 端口，承载 66 个核心业务微模块，通过 Nginx/Vite 反向代理进行 /api 路由转发。

独立算法引擎：因果推断引擎独立解耦，基于 uvicorn 运行于 :8001 端口，专司高负载计算，保障主业务线程不被阻塞。

2. 混合数据湖仓与知识图谱落地

OLTP 时序处理：采用 PostgreSQL/TimescaleDB 构建超表（Hypertable），由专属 Observation Writer 统一接管高频时序数据写入，确保高并发下的写入性能。

OLAP 离线分析：引入 DuckDB 建立轻量级数据湖仓，直接读取本地数据文件进行大规模 OLAP 分析，免去复杂的数据搬运。

图谱与 RAG 存储：使用 Neo4j 构建实体关系拓扑网络；部署 RAGFlow 引擎，落地“忌口、医学、调理方案”三大垂直知识库。

3. 本地大模型部署与因果算法集成

本地大模型：基于 ik_llama.cpp 与 Ollama 框架，在本地算力环境成功部署并调优 Qwen-27B 与 Qwen-8B 大模型，打通 Prompt 工程与业务系统接口，实现数据 100% 不出内网的离线推理。

因果推断管线：底层跑通 P0~P6 完整数据管线，应用 PCMCI 双通道算法结合 Stouffer 元分析，实现从高维健康数据中剥离干扰项，挖掘真实的因果关联。

4. 容器化编排与无人值守运维

进程守护与隔离：使用 Docker 容器栈隔离数据层与模型层，结合 Wind