前言

在医学教育领域，学生需要掌握海量的专业知识，传统的学习方式效率低下。大语言模型虽然强大，但存在幻觉问题和知识溯源困难的缺陷。

本文介绍一个基于RAG（检索增强生成） 技术的医学教材知识库系统，通过将43本权威医学教材向量化，实现精准检索和智能问答，有效解决了上述问题。

项目地址：https://modelscope.cn/studios/sideFALL/med-kb

---

一、系统功能概览

1.1 五种功能模式

模式	功能	适用场景
💬 智能问答	基于教材的精准问答	日常知识查询
📝 自测刷题	AI自动生成5道单选题	考前复习
🔄 对比学习	生成结构化对比表格	概念辨析
🏥 病例分析	5步临床推理分析	临床思维训练
🤖 智能体	自主选择工具、多步推理	复杂问题

1.2 核心亮点

• 混合检索：向量语义检索 + BM25关键词检索，准确率81%
• 智能体模式：基于ReAct框架，自主调用5种专业工具
• 考点标注：自动标记[高频][核心][易错][临床]知识点
• LaTeX公式：支持化学方程式和数学公式的正确渲染
• 完全免费：使用CherryIN平台的免费API

---

二、技术架构

2.1 系统架构图

┌─────────────────────────────────────────────────────────┐
│                      应用层                             │
│  ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐│
│  │智能问答 │ │自测刷题│  │对比学习│ │病例分析 │ │智能体  │ │
│  └────────┘ └────────┘ └────────┘ └────────┘ └────────┘│
├────────────────────────────────────────────────────────┤
│                      生成层                             │
│  ┌─────────────────────────────────────────────────┐   │
│  │  Prompt Engineering + DeepSeek V4 Flash         │   │
│  └─────────────────────────────────────────────────┘   │
├─────────────────────────────────────────────────────────┤
│                      检索层                              │
│  ┌─────────────────┐     ┌─────────────────┐            │
│  │  向量检索(BGE-M3)│     │  BM25关键词检索  │           │
│  │     权重: 0.7    │     │     权重: 0.3    │          │
│  └────────┬────────┘     └────────┬────────┘            │
│           └───────────┬───────────┘                     │
│                  混合评分排序                            │
├─────────────────────────────────────────────────────────┤
│                      数据层                             │
│  ┌─────────────────────────────────────────────────┐    │
│  │  43本医学教材 → 17,357个文本块 → NumPy向量存储    │    │
│  └─────────────────────────────────────────────────┘    │
└─────────────────────────────────────────────────────────┘

2.2 技术栈

组件	技术选型	说明
前端框架	Streamlit	Web界面构建
向量模型	BGE-M3 (CherryIN)	文本嵌入（免费）
生成模型	DeepSeek V4 Flash (CherryIN)	回答生成（免费）
向量存储	NumPy	轻量级，无外部依赖
检索策略	混合检索	向量 + BM25
智能体	ReAct (自研)	多工具自主推理

---

三、核心实现

3.1 混合检索算法

混合检索结合了向量检索和关键词检索的优势：

def hybrid_search(query, embeddings, documents, metadatas, k=10, alpha=0.7):
    """混合检索：向量检索 + BM25"""
    
    # 1. 向量检索：取top-50候选
    query_vec = get_embedding(query)
    vec_scores = embeddings @ query_vec
    top_candidates = np.argsort(vec_scores)[-50:][::-1]
    
    # 2. BM25检索：仅对候选计算
    query_tokens = tokenize(query)
    bm25_scores = np.zeros(len(documents))
    for idx in top_candidates:
        doc_tokens = tokenize(documents[idx])
        bm25_scores[idx] = len(query_tokens & doc_tokens) / len(query_tokens)
    
    # 3. 混合评分
    hybrid_scores = alpha * vec_scores + (1 - alpha) * bm25_scores
    
    # 4. 排序取top-k
    top_indices = np.argsort(hybrid_scores)[-k:][::-1]
    
    return [documents[i] for i in top_indices]

实验结果：

检索方法	准确率	MRR	命中率
纯向量检索	72%	0.68	85%
纯BM25检索	65%	0.61	80%
混合检索	81%	0.76	92%

3.2 智能体实现（ReAct框架）

智能体采用ReAct（Reasoning + Acting）模式，能够自主选择工具、多步推理：

def run_agent_stream(query, api_key, model, max_steps=5):
    """ReAct智能体：思考→行动→观察→循环"""
    
    tools = get_tools()  # 获取5种工具
    messages = [{"role": "user", "content": REACT_PROMPT.format(...)}]
    
    for step in range(max_steps):
        # 1. LLM思考
        response = call_llm(api_key, messages, model)
        
        # 2. 检查是否有最终答案
        if "Final Answer:" in response:
            yield {"type": "token", "data": extract_answer(response)}
            return
        
        # 3. 解析行动
        action, action_input = parse_action(response)
        
        # 4. 执行工具
        observation = tools[action].invoke(action_input)
        
        # 5. 将观察结果加入对话
        messages.append({"role": "user", "content": f"Observation: {observation}"})
        
        yield {"type": "step", "data": {"tool": action, "output": observation}}

5种专业工具：

工具	功能	示例输入
search_textbook	检索教材	“心衰的病理机制”
calculate_dosage	计算药物剂量	药名 + 体重
get_normal_values	查询检验正常值	“肌酐”
compare_concepts	对比概念	两个概念名
analyze_case	病例分析	病例描述

3.3 提示词工程

为不同模式设计专门的提示词，以下是智能体的ReAct提示词：

REACT_PROMPT = """你是一名严谨的医学教育智能助手，能够使用工具回答医学问题。

可用工具：
{tools_desc}

## 推理格式（严格遵守）

Thought: 分析问题，决定下一步行动
Action: 工具名称
Action Input: 工具输入参数（JSON格式）

Observation: 工具返回结果（由系统自动填入）

Thought: 我现在已经收集到足够信息，可以给出最终回答了
Final Answer: 完整的最终回答

## 回答要求
1. 使用中文回答，专业术语附英文原文
2. 化学方程式使用LaTeX格式
3. 药物剂量仅供教学参考

Question: {input}
"""

3.4 LaTeX公式处理

Streamlit支持LaTeX渲染，但LLM输出的公式格式可能不规范，需要后处理：

def fix_latex_formulas(text):
    """修复LaTeX公式格式"""
    # 将 [ ... ] 转换为 $$ ... $$
    text = re.sub(r'\[([^\]]*\\rightarrow[^\]]*)\]', r'$$\1$$', text)
    # 清理 \text{} 包裹
    text = re.sub(r'\\text\{([^}]*)\}', r'\1', text)
    return text

---

四、数据处理

4.1 教材数据统计

类别	教材数量	文本块数量
基础医学	16本	5,322
临床医学	13本	6,380
其他科目	14本	5,655
总计	43本	17,357

4.2 数据处理流程

PDF教材 → OCR/文本提取 → 文本清洗 → 文本分块 → BGE-M3向量化 → NumPy存储

4.3 按需加载策略

# 启动时只加载清单 (KB级)
manifest = json.load("books/manifest.json")

# 搜索时按需加载对应教材（带缓存）
@st.cache_resource
def load_book(book_name):
    embeddings = np.load(f"books/{book_name}.npz")
    documents = json.load(f"books/{book_name}.json")
    return embeddings, documents

性能对比：

加载策略	启动时间	内存占用
全量加载	10-30秒	500MB+
按需加载	<1秒	50-100MB

---

五、系统演示

5.1 智能问答

输入：心衰的病理生理机制是什么？

输出：

心力衰竭（Heart Failure）的病理生理机制：

1. 心肌收缩力减弱
   - 心肌细胞损伤或死亡
   - 心肌能量代谢障碍

2. 心室舒张功能障碍
   - 心室顺应性降低
   - 心室充盈受限

3. 神经体液机制激活
   - 交感神经系统激活
   - RAAS系统激活

参考来源：
[1] 内科学（第10版）·心力衰竭
[2] 病理生理学（第10版）·心功能不全

5.2 智能体模式

输入：心衰患者用呋塞米的剂量是多少？

推理过程：

🔧 使用工具: calculate_dosage
   输入: {"drug_name": "呋塞米", "weight_kg": 70}
   输出: 计算日剂量: 280-560 mg/日

🔧 使用工具: search_textbook
   输入: "心力衰竭 利尿剂 呋塞米"
   输出: 找到相关内容...

💡 最终回答：
根据教材内容，心衰患者使用呋塞米的剂量：
- 口服：20-80 mg/日
- 静脉：20-40 mg/次
- 急性心衰：首剂20-40 mg静脉推注

⚠️ 以上为教学参考数据，实际用药请遵医嘱。

5.3 考点标注

[高频] 1. 心肌收缩力减弱
[核心] 2. 心室舒张功能障碍
[易错] 3. 神经体液机制激活（注意：是激活而非抑制）
[临床] 4. 临床表现

[考点清单]
- 心衰的代偿机制
- 左心衰与右心衰的鉴别
- RAAS系统在心衰中的作用

---

六、部署指南

6.1 本地部署

# 克隆代码
git clone https://www.modelscope.cn/studios/sideFALL/med-kb.git
cd med-kb/modelscope

# 安装依赖
pip install -r requirements.txt

# 配置环境变量
export CS_API_KEY="your-api-key"

# 运行
streamlit run app.py

6.2 魔搭社区部署

1. 注册 https://modelscope.cn 账号
2. 创建Streamlit类型的Space
3. 推送代码到Space的Git仓库
4. 在Space Settings → Secrets中配置 CS_API_KEY

---

七、总结与展望

7.1 项目成果

• ✅ 构建了43本医学教材的知识库
• ✅ 实现了混合检索策略，准确率81%
• ✅ 实现了ReAct智能体，工具选择准确率100%
• ✅ 部署于魔搭社区，24小时在线服务
• ✅ 完全使用免费API，零成本运行

7.2 未来计划

• 📚 增加更多医学教材和文献
• 🔍 优化检索算法，引入重排序模型
• 🤖 增强智能体能力，添加更多工具
• 📱 开发移动端应用

---

项目信息

• 项目地址：https://modelscope.cn/studios/sideFALL/med-kb
• 当前版本：v2.2.0
• 技术栈：Streamlit + NumPy + BGE-M3 + DeepSeek
• 开源协议：Apache License 2.0

---

参考资料

1. Lewis et al. “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks” (2020)
2. Yao et al. “ReAct: Synergizing Reasoning and Acting in Language Models” (2023)
3. Robertson & Zaragoza. “The Probabilistic Relevance Framework: BM25 and Beyond” (2009)

---

💡 如果你觉得这篇文章有帮助，欢迎点赞、收藏、关注！

📧 问题交流： 如有优化建议或是使用中遇到bug，欢迎在“交流反馈”中提出issue