01
AI 辅助中医诊疗系统（TCM）
真实落地 · B 端 SaaS AI 核心模块
项目定位
面向中医诊所场景，将中医诊疗知识与 AI 深度融合，辅助医生完成从望闻问切到处方开立的全流程诊疗决策。作为产品负责人从 0 到 1 推动设计与落地，覆盖 12 个中医科室、200+ 常见证型、600+ 经典方剂。
技术架构
患者就诊 → 四诊信息采集 → AI 推理引擎 → 诊断建议输出 → 医生确认 → 处方生成
↑ │
四个知识库（RAG） ←←←←←←←←←←←←←←←←←←←←←←←←┘
四层知识库 RAG 架构
| 层级 | 内容 | 检索价值 |
|---|
| 第一层：真实业务数据 | XX中医馆十余年诊疗记录、处方、疗效追踪、医生用药偏好、疾病分布特征 | 真实世界的有效方案，非纯理论。核心壁垒，行业独有 |
| 第二层：中医药典知识库 | 中医基础理论、中药学（性味归经、功效主治、配伍禁忌）、方剂学（经方、时方、组成加减） | 症状→证型→方药的理论基础 |
| 第三层：经典医案库 | 历代名医医案、辨证思路、用药规律、相似病例检索 | 名医遇到类似情况时的处理方式参考 |
| 第四层：现代临床指南库 | 中医诊疗指南、中成药合理用药规范、中西医结合诊疗路径 | 当前最权威的标准化诊疗依据 |
四库融合的核心价值：业务数据告诉 AI「真实临床中最常用什么方药」+ 药典告诉 AI「为什么有效」+ 医案告诉 AI「名医怎么变通」+ 指南告诉 AI「最权威的标准是什么」→ 四路交叉验证，诊断建议更贴近临床实际，而非纸上谈兵。
检索策略：真实数据优先，四路并行召回后加权合并排序。通过 Prompt 约束 LLM 按固定模板（四诊摘要→辨证分析→治则治法→推荐方剂→医嘱）结构化输出，确保格式一致性和可溯源。
结构化 Prompt Engineering
[角色设定] 中医副主任医师，擅长经方辨证
[知识边界] 仅基于四层知识库推理，不依赖自身训练数据
[输出格式] 严格按以下结构：
四诊摘要（望闻问切）→ 辨证分析（病位/病性/证型）
→ 治则治法 → 推荐方剂（主方+加减）→ 医嘱
[置信度] 给出诊断置信度和关键不确定性
[安全规则] 危急重症识别 → 建议转诊，不做 AI 诊断
人机协同闭环与 Badcase 管理
医生审核三种操作：确认（处方直接生成，记录为正向样本）→ 修改（对比差异，自动回流为标注数据）→ 驳回（标记误诊原因，触发修复流程）。每次人机交互都是一条高质量标注，驱动数据飞轮持续转动。
| 级别 | 类型 | 示例 | 处理策略 |
|---|
| P0 安全 | 危及患者安全 | 实热证误判为虚寒证，方药相反 | 立即下线，修复后回归测试通过才上线 |
| P1 体验 | 方向正确但体验不佳 | 证型准确但方药不符医生习惯 | 加入医生偏好学习，下个迭代优化 |
| P2 偶发 | 边缘罕见病例 | 复杂兼证无法准确辨证 | 记录为边界 case，累积样本后集中处理 |
产品设计关键决策
- 为什么用 RAG 而不是微调：中医药知识更新频繁，RAG 可溯源至经典出处满足医疗合规要求，知识库可分模块维护、医生可直接参与审核
- 模型选型（DeepSeek）：中文中医语料理解能力优于同期竞品，API 成本可控，结构化输出遵循度高
- 三重安全保障：危急重症关键词触发拦截 → 置信度阈值分层 → 方药配伍禁忌自动检测
真实结果与复盘反思
AI 辅助诊断模块的使用率没有达到预期——中医高度依赖个人经验，老中医几十年的辨证直觉不是 AI 建议能轻易替代的。大部分医生仍依赖自己的经验诊断。
根因分析（非技术问题，而是用户心理和行业阶段）：
① AI 输出与用户心智冲突——中医是「师傅带徒弟」的经验传承，医生对 AI 有天然的身份感抵触，不是准确率问题，是信任问题。
② 工作流嵌入不够深——AI 模块是「可选辅助功能」，医生不点也能正常开方。真正好的 AI 产品不是让用户选，而是嵌入核心流程让人感觉不到 AI 的存在。
③ 时机问题——中医行业数字化基础薄弱，很多诊所连电子病历都不用，此时推 AI 诊断用户断层太大。AI 产品节奏必须和行业成熟度对齐。
核心认知：AI 产品落地，技术能力只占 30%，用户心理、工作流嵌入、行业节奏占了 70%。
形成了三个可迁移判断框架：① 用户信任度梯度模型（高信任场景直接 AI 处理，低信任场景从辅助做起）；② 工作流嵌入深度决定使用率（可选增强天花板约 20%，必经环节可达 80%+）；③ AI 产品的节奏感（不是技术越强越好，要踩对行业节奏）。
03
AI 辅助问诊系统（面诊舌诊仪）
概念设计 · 软硬件协同 · 已复盘
项目定位
基于患者面部和舌苔图像，结合中医知识库，实现 AI 辅助初步诊断的软硬件一体化产品概念设计。项目推进到界面设计和硬件调研阶段后主动建议暂停。
技术架构
硬件采集层 → 图像预处理 → AI推理层 → 知识增强层 → 结果输出层 → 医生确认
核心模块设计
| 模块 | 方案 | 产品决策逻辑 |
|---|
| 硬件采集 | 暗箱式采集仓 + 5500K 标准光源 + 双摄像头（面/舌） | 保证输入数据一致性，色温偏差直接影响诊断准确率 |
| 端侧检测 | 轻量化模型（YOLO/MediaPipe）做图像质量检测 | 端侧低延迟反馈，不上传无效数据，节省带宽和算力 |
| 云侧推理 | ViT 视觉大模型 fine-tune 中医数据集 | 模型太大端侧跑不动，云侧做重推理 |
| 知识增强 | 四库 RAG 检索 | 视觉模型只给表象描述，RAG 补全证型诊断和方药建议 |
| 人机协同 | 医生审核：确认/修改/驳回 → 反馈训练集 | 医疗 AI 必须 Human-in-the-Loop |
实际结果与复盘：项目为何停摆
项目只推进到界面设计和硬件调研阶段就停摆了。原因不在于产品方向，而在于资源能力与需求的不匹配：
三个硬伤：
① 硬件能力缺失——公司没有工业设计能力，无法自主设计产品外观。舌诊仪是硬件设备，外壳设计、光源校准、摄像头模组选型都需要专业工业设计团队，纯软件公司无法独立完成。
② 数据基础不匹配——虽有十余年业务数据，但都是诊疗记录、处方等结构化文本数据。舌象面象需要的是图像数据，这类数据几乎没有。没有图像训练数据，AI 视觉模型就是空中楼阁。
③ 自研不可行，外采无价值——没数据也没模型训练能力，要做只能对接第三方视觉 API。但核心能力依赖第三方，产品就没有壁垒。没有壁垒的产品不值得投入。
核心认知：做产品之前，先盘点自己能打的牌。老板看到的是「AI 舌诊很火，我们也做」，但实际缺硬件设计能力、缺图像数据积累、缺模型训练团队——三张牌一张都没有，靠第三方 API 拼凑做不成壁垒。产品经理的核心价值之一是判断「这件事以现有资源和能力，到底能不能做成」。做不成的，要敢于说做不成，并且说清楚为什么。帮公司避免一次错误投入，和做成一个产品同样重要。
04
AI 辅助内容创作系统
个人项目 · 知识库问答 + 风格化文章生成
项目定位
以个人设计知识库为核心，构建 AI 驱动的知识管理与内容创作系统。两大核心能力：知识库智能问答（AI 基于知识库内容检索回答）和风格化长文生成（基于写作风格模型输出符合个人风格的文章）。
系统架构
知识库层（200+ 篇文章，6 大模块，持续更新）
↓
AI 能力层
├── 能力一：知识库智能问答
│ 用户提问 → 向量检索 → LLM 基于检索结果回答 → 附来源引用
└── 能力二：风格化文章生成
写作风格模型 + 知识库内容 → 双源 RAG → LLM 生成 → 人工润色
↓
输出层（小红书 / 语雀文章 / 设计学习笔记）
能力一：知识库沉淀与智能问答
知识库建设：从语雀知识库精选 200+ 篇高质量设计文章，覆盖 B 端产品设计、交互设计、设计系统、AI 与设计、职业成长、设计复盘六大模块。完整数据 Pipeline：去重 → 标准化分类 → HTML 清洗 → 图片本地化 → 向量化索引。新文章自动同步，保持内容时效性。
AI 问答效果：用户提问「B端表单设计有什么原则？」→ 向量检索匹配相关文章片段 → LLM 综合回答并标注来源（「根据《B端表单设计指南》：信息层级清晰...」）→ 碎片化设计知识变成了可检索、可问答的结构化系统。
能力二：写作风格建模与文章生成
风格建模：从 4-5 篇个人代表文章中提取四维风格特征：结构公式（开头钩子→分点论述→总结升华）、语言特征（口语化程度/专业术语密度/句式偏好）、排版习惯（分段节奏/标题层级/emoji 规则）、金句模式（对比型/反问型/数据型），固化为可复用的结构化 Prompt 模板。
生成流程：输入主题 → 双知识源 RAG 检索（设计知识库提供「写什么」+ 写作风格 Prompt 提供「怎么写」）→ LLM 生成初稿 → 人工润色（风格微调、补充案例、确认事实）→ 发布。发布后效果追踪 → Badcase 记录 → Prompt 调优，形成持续迭代闭环。
与普通 AI 写作的本质区别
| 维度 | 普通用 AI 写文章 | 本系统 |
|---|
| 知识来源 | 依赖大模型训练数据，可能编造 | 基于个人知识库，可追溯来源 |
| 风格控制 | 每次口头描述，不稳定 | 结构化 Prompt 模板，可复用可迭代 |
| 知识复用 | 单次使用 | 知识库持续积累，越用越强 |
| 问答能力 | 只能问大模型知道的事 | 可以问「我的知识库里有什么」 |
| 可扩展性 | 不可复用 | 可接入更多知识源，可迁移到其他领域 |
05
患者精细化运营 AI 打标
探索项目 · 规则+AI 混合方案 · 参与设计
项目定位
为诊所 SaaS 系统搭建患者画像体系，通过自动打标实现精细化运营和精准营销。本人参与标签管理后台的设计及 AI 方案讨论。
1.0 规则模式（已上线）
为每种标签定义规则条件 → 定时跑批匹配 → 打标入库。示例规则：年龄>60 →「老年患者」；就诊频率>每月1次 →「高频就诊」；消费>500元 →「高客单价」；近3个月未就诊 →「流失预警」。
规则模式的局限：只能打显性标签（年龄、消费），打不出隐性标签（依从性趋势、体质倾向）；规则越写越多，互相冲突；二元判断（是/否）无法表达光谱特征（「有点依从性差」vs「非常依从性差」）。
AI 模式方案设计（未上线）
患者全量数据（基本信息/就诊记录/消费数据/行为数据/规则标签）
↓
LLM 综合分析 → 多维标签 + 置信度 + 打标依据
标签维度：
人口属性（年龄层/性别/地域）
健康画像（主要就诊方向/体质特征——从诊断和方药推断）
消费画像（消费层级/价格敏感度）
行为画像（就诊规律性/依从性趋势/流失风险）
运营机会（推荐推送什么服务/产品）
规则 + AI 混合模式（推荐方案）
规则层（兜底+基础标签）：确定性标签，规则效率最高——年龄、性别、消费分段。
AI 层（增量+深度标签）：规则做不到的隐性特征——依从性变化趋势、体质倾向、流失概率、运营机会推荐。