门诊病历Skill笔记

5 个 Skill 里领域知识最硬的一个门诊病历智能结构化与安全辅助为什么选这个写上一篇写了「电商销售日报生成与异常归因」选它是因为工程完成度最高——有 Python 脚本兜底、流程一次跑通、代码和 Agent 分工清晰。这篇写另一个方向的极致「门诊病历智能结构化与安全辅助」选它不是因为工程上多完善而是因为领域知识最扎实、安全约束最严格。如果说电商那个 Skill 的核心是代码驱动那这个的核心是知识驱动——没有 Python 脚本全靠 Agent 语义理解 结构化的领域规则来兜底。两种思路两种坑都值得写。这个 Skill 是干什么的目标用户全科医生/门诊医生。门诊场景下医生一边问诊一边口述病历旁边设备把语音转成文字。但这些文字是一坨非结构化的口语要整理成标准电子病历格式主诉、现病史、既往史、体格检查、诊断、处方同时还要检查处方里的药有没有禁忌问题。痛点我在做需求采访的时候设定了三轮把自己代入了一个社区医院全科医生的角色每天门诊量 40-60 人平均每人就诊时间 8-10 分钟病历手敲或口述转文字后手动整理每份花 3-5 分钟最怕的不是打字累是开错药——忘记查禁忌、剂量写错、儿童孕妇用药没注意现有的 HIS 系统不带智能校验只有最基础的药物相互作用提示这个场景的核心矛盾是时间紧、容错率低、领域知识依赖重。跟电商日报那种错了改改就行的场景完全不同医疗场景里一个处方错误可能出事。Skill 做的事输入医生口述的语音转文字一段非结构化文本输出标准结构化电子病历 处方安全校验报告Skill 包结构skill-medical-record/ ├── SKILL.md # 核心定义文件 ├── references/ │ ├── drug-contraindication-rules.md # 用药禁忌规则 │ ├── record-format-spec.md # 病历格式规范 │ └── safety-redlines.md # 医疗安全红线 └── samples/ ├── sample-input-voice.md # 语音转文字输入样本 ├── sample-exam-report.md # 体检报告样本 └── sample-output-record.md # 期望输出病历样本跟电商那个比最明显的区别是没有 scripts 目录。整个 Skill 没有一行代码全靠 SKILL.md 的流程定义和 references 里的领域知识来指导 Agent。这不是偷懒是这个场景的特性决定的——语音转病历的核心是语义理解不是数据处理。你没法用 pandas 把患者主诉三天前开始咳嗽伴有低烧拆成结构化字段这活只能交给 Agent。但这也带来了一个问题输出稳定性全靠 references 的规则定义够不够清晰。规则写得模糊Agent 就会自由发挥。核心设计三道安全防线这个 Skill 最值得写的不是流程是安全设计。医疗场景跟其他场景最大的区别就是出错有后果所以我在设计的时候放了三道防线。第一道结构化输出约束SKILL.md 里明确定义了病历的输出结构Agent 不能自由编排## 输出格式严格遵循 ### 电子病历 - **主诉**一句话包含主要症状 持续时间 - **现病史**按时间线描述包含发病时间、症状变化、已做处理 - **既往史**慢性病、手术史、过敏史、用药史 - **体格检查**体温/血压/心率/呼吸 阳性体征 - **诊断**ICD-10 编码 诊断名称 - **处方**药品名 剂量 用法用量 疗程 ### 安全校验报告 - **禁忌检查**处方药品与既往史中的过敏/疾病是否冲突 - **剂量检查**处方剂量是否在常规范围内 - **特殊人群**儿童/孕妇/哺乳期/老年人用药提示 - **交互检查**处方内药品之间的相互作用每个字段都给了明确的格式要求。这不是建议是硬约束——SKILL.md 里用了严格遵循这个措辞并且在 samples 里给了完整的期望输出示例让 Agent 有参照物。这跟写 API 文档是一个道理接口定义越清晰实现越不容易跑偏。第二道用药禁忌规则references/drug-contraindication-rules.md是整个 Skill 信息量最大的文件。我把禁忌规则分了四类# 用药禁忌规则 ## 一、过敏禁忌 | 过敏药物 | 禁忌药品 | 原因 | |---------|---------|------| | 青霉素 | 阿莫西林、氨苄西林等 | 交叉过敏 | | 磺胺类 | 复方磺胺甲噁唑 | 同类过敏 | | 阿司匹林 | 布洛芬、萘普生 | 交叉反应 | ## 二、疾病禁忌 | 基础疾病 | 禁忌药品 | 风险 | |---------|---------|------| | 消化性溃疡 | 阿司匹林、NSAIDs | 出血风险 | | 哮喘 | 普萘洛尔等β受体阻滞剂 | 支气管痉挛 | | G6PD缺乏症 | 磺胺类、伯氨喹 | 溶血风险 | | 严重肝功能不全 | 对乙酰氨基酚大剂量 | 肝毒性 | ## 三、特殊人群禁忌 | 人群 | 禁忌药品 | 替代方案 | |------|---------|---------| | 孕妇前3月 | 甲硝唑、左氧氟沙星 | 阿莫西林B类 | | 哺乳期 | 四环素、氯霉素 | 阿莫西林、头孢类 | | 儿童(8岁) | 四环素类、喹诺酮类 | 阿莫西林按体重计 | | 老年人(65岁) | 长效苯二氮卓类 | 短效类减半剂量 | ## 四、药物交互禁忌 | 药品A | 药品B | 交互类型 | 严重程度 | |------|------|---------|---------| | 华法林 | 阿司匹林 | 出血风险叠加 | 高 | | ACEI类 | 保钾利尿剂 | 高钾血症 | 中 | | SSRI类 | MAOI类 | 5-HT综合征 | 高 |这个表不是我自己编的查了《中国国家处方集》和几篇临床用药指南挑了门诊最常碰到的禁忌组合。覆盖面不算全但都是全科门诊高频场景。写这个文件的时候我有一个感触这种领域知识表才是 Skill 的真正壁垒。SKILL.md 的流程结构谁都能写但用药禁忌规则需要查文献、需要临床经验判断哪些组合最危险。AI 能帮你搭框架但框架里填什么内容得人来定。第三道医疗安全红线references/safety-redlines.md定义了 5 条不可逾越的安全规则。这个文件的定位不是建议是硬拦截——Agent 在输出处方之前必须逐条检查# 医疗安全红线必须逐条验证 ## 红线一过敏史冲突 处方中任何药品不得与患者既往史中记录的过敏药物存在交叉过敏。 触发时移除该药品提示替代方案标注过敏冲突。 ## 红线二孕妇用药分级 若患者为孕妇处方中所有药品必须为 FDA 妊娠分级 B 类及以上。 C 类需标注需评估风险收益D 类和 X 类直接禁止。 ## 红线三儿童剂量 12 岁以下儿童处方必须按体重计算剂量不得直接使用成人剂量。 公式剂量 体重(kg) × 每日mg/kg ÷ 每日次数 ## 红线四肝肾功能调整 患者有肝肾功能不全时处方药品需标注是否需要剂量调整。 需要调整的药品在处方中注明调整后剂量和监测建议。 ## 红线五高危药品双签 以下药品出现在处方中时必须额外标注需复核 - 胰岛素低血糖风险 - 华法林出血风险 - 地高辛中毒窗口窄 - 氯化钾注射液致死风险这五条红线的写法有讲究每条都有明确的触发条件和处理动作。不是写注意用药安全这种废话而是写触发时移除该药品提示替代方案。Agent 读完就知道碰到这种情况该干什么。红线之间有优先级。过敏冲突 孕妇分级 儿童剂量 肝肾调整 高危药品。如果多个红线同时触发按优先级处理先解决最危险的。这种写法借鉴了编程里的异常处理思路——每个异常有明确的 catch 逻辑不是笼统的 try-catch 然后随便处理。14 项验证检查最严的自检流程这个 Skill 是 5 个里唯一跑了完整 14 项验证的。其他几个要么没跑到 14 项要么部分跳过了。验证清单长这样1. SKILL.md frontmatter 格式正确 2. title 字段非空且与目录名一致 3. summary 字段不超过 50 字 4. read_when 至少包含 2 个触发条件 5. 触发条件无歧义动词宾语结构 6. 输入格式有明确定义 7. 输出格式有结构化约束 8. references 目录文件均可被 SKILL.md 引用 9. samples 目录包含至少 1 组输入输出 10. 无硬编码敏感信息患者姓名、身份证等 11. Markdown 表格管道符已转义 12. 动态内容无未转义的换行符 13. CSV/Excel 导出有注入防护 14. 安全约束段落存在且可执行14 项全过。但说实话第 11 和 12 项是后来补的——第一次提交的时候没转义被打回来了。SKILL.md 的第 38 到 129 行是用药禁忌规则的大表格管道符|满屏都是不做转义平台直接拒收。修复的时候学到一个细节表格里的药品名如果本身包含括号或特殊字符转义后容易破坏表格结构。比如阿莫西林胶囊里的中文括号不影响 Markdown 渲染但如果药品名里带了英文|或者半角括号()就得小心处理。跟电商 Skill 的对比两种设计哲学做完这两个 Skill 之后我对 Skill 的设计思路有了两种截然不同的认知维度电商日报门诊病历核心驱动代码驱动知识驱动确定性逻辑Python 脚本处理无代码靠 Agent 理解安全约束CSV 注入防护5 条医疗安全红线领域知识载体anomaly_rules.md 脚本逻辑drug-contraindication-rules.md纯表格输出稳定性高脚本保证中依赖 Agent 理解一致性领域知识深度中规则较通用高需查医学文献出错代价日报数据不准改改就行处方错误可能出事两种思路各有适用场景能用代码解决的用代码。数据清洗、数值计算、格式转换这些确定性的活代码比 Agent 靠谱。电商日报走这条路是对的。只能靠语义理解的靠知识约束。语音转病历、归因分析这些非结构化的活代码帮不上忙只能在 references 里把规则写得足够细让 Agent 有据可查。门诊病历走这条路也是对的——你没法用 Python 把一段口述病历拆成结构化字段。最理想的情况是两者结合关键路径上用代码兜底非结构化部分用知识约束 Agent。但不是每个场景都适合这么做得分情况。这个 Skill 的问题和局限说完优点也得说说不足不然就不是学习笔记了。1. 输出稳定性不够没有代码兜底意味着同一个输入Agent 两次跑出来的病历可能在措辞上有差异。虽然结构是固定的主诉、现病史那些字段都在但字段内的文字描述不保证完全一致。这在医疗场景下是个真问题——医生需要病历是确定性的不能今天生成的和明天生成的不一样。后续如果要改进可以考虑在 Agent 输出后加一层校验脚本检查字段完整性和格式合规性。2. 用药禁忌规则覆盖面有限现在的禁忌表只覆盖了全科门诊最常见的几十种药品组合。真到三甲医院专科门诊药品数量翻几倍靠手工维护这个表不现实。理想方案是接入专业的药品数据库 API比如用药参考、合理用药系统实时查询禁忌信息。但这超出了 Skill 的范围——Skill 是给 Agent 用的知识包不是完整系统。3. 语音转文字的准确性没考虑这个 Skill 的输入是语音转文字后的文本默认转写是准确的。实际场景中医学术语的语音识别错误率不低——“心尖部收缩期杂音可能被转成新尖部收整车杂音”。Skill 层面没法解决这个问题得靠前端的语音识别引擎。但在 SKILL.md 里加一段若输入包含明显的语音识别错误特征如同音字错误、不通顺的语句提示医生确认的规则能降低一些风险。写在最后这个 Skill 做完之后最大的感受是领域知识这个东西AI 替代不了。写电商日报的时候异常判定规则我查几篇文章就能总结出来。但写用药禁忌规则的时候我查了《中国国家处方集》、查了临床指南、还想找医学专业的同学帮忙审一遍——因为我不确定自己查的资料是不是最新的、有没有遗漏高危组合。AI 能帮我把这些知识组织成结构化的表格和规则但哪些知识该放进去这个判断得靠有专业背景的人来做。这可能是 Skill 开发里最重要的一个认知技术架构是骨架领域知识是血肉。骨架搭得再好血肉是空的也站不住。