ARTICLE · 1284065
急诊医学AI极客实战教程 第4章
一个工具包打天下？
工具生态的“全明星阵容”
一张表决定什么活交给谁
《急诊科 AI 极客实战教程》连载 · 第 4 章 · 预计 45-60 分钟
四类角色 · 选型四问 · 安全红线
📦 4 PARTS + CHECKLIST
👉 滑动
PART 01
四类角色
按能力边界分工
PART 02
选型决策树
四问定工具
PART 03
成本与上下文
最强≠最省
PART ///
五步实操
场景-工具对应表
工具选型的第一原则
不是“哪个最强”，而是“哪个最合适”。
本章不追新、不囤工具，用一张表决定什么活交给谁。前置条件：完成第 1-3 章。可交付成果：一张属于你自己的《场景-工具对应表》。
01
PART
用牛刀杀鸡，还是用杀猪刀做手术
CASE · 工具的四类角色
你学会了 Claude Code，很兴奋，于是查指南、转 CSV、写正则、跑 40 分钟的文献分析、处理十万行台账、给公众号起标题，全塞给它。结果：查指南，它给你编了一条不存在的推荐；转 CSV，它让你配置了半天环境；写正则，它大材小用还收了不少 token 费；跑文献分析，跑到一半上下文超了；处理十万行台账，它开始“编”行号；起标题，写得像说明书。
问题不在于 Claude Code 不好，而在于你把所有任务都塞给了同一个工具。把市面上的 AI 工具按“能力边界”分成四类，比记产品名更重要——具体产品会更新换代，角色分工相对稳定。
记住四点就够：任务的数据敏感性、上下文长度、执行复杂度、可复现性要求——这四点决定选型。
02
PART
四类工具的底层差异与选型决策树
DECISION · 优势 / 局限 / 最适合
主刀医生：Claude Code + DeepSeek
一个运行在本地终端里的 Agent Harness，背后接一个大语言模型。优势：能读本地文件、跑 Python、改代码、看报错、自动重试；适合多步骤任务（清洗 → 统计 → 画图 → 写结果）；上下文可以很大，适合长文档；有权限控制，关键操作可人工确认。局限：不是“全自动”，复杂任务仍需你拆解和验收；成本随 token 增长；长上下文也可能“忘事”；需要环境配置和排错能力。最适合：一篇论文的完整数据分析、一个课题的探索性分析、几十页 PDF 的阅读总结、多文件代码重构、书稿/标书的写作与修改。
流水线工长：批处理框架（DSH 类）
把“固定的输入 → 固定的处理步骤 → 固定的输出”封装成可重复运行的流水线，通常带日志、轨迹、失败重试。优势：可复现、可追溯、适合大批量、适合团队协作（流程固化，换人也能跑）。局限：不适合高度探索性任务、前期设计成本高、流程变了要改代码。最适合：每月/每周固定生成的质控报表、批量提取病历结构化字段、批量翻译/格式化、需要审计轨迹的科研数据处理。
急诊类比：Claude Code 像主刀医生，能随机应变；批处理框架像手术室的标准化流程（SOP），每一步都有核查表，适合重复、可审计的工作。
住院医师：轻量代码助手（Codex CLI 类）
更轻、更快的代码生成/补全工具，适合局部任务。优势：启动快、成本低；适合“写一个小函数”“解释一段报错”“生成一个正则”；对单文件、短上下文任务很高效。局限：不适合跨文件、长流程、复杂依赖；对本地环境感知有限；复杂任务容易“只见树木不见森林”。最适合：写数据清洗函数、解释 Python 报错、生成/调试正则、快速写 SQL 查询、给变量/函数起名。
门诊导医：网页研究助手（WorkBuddy 类）
以联网检索、指南查询、非敏感问答为主。优势：联网搜最新指南/文献、界面友好上手快、适合快速了解一个领域。局限：不能访问你的本地数据；检索结果需要核对；不适合处理患者隐私数据；对复杂代码/多步任务能力有限。最适合：查指南推荐（并回到原文核对）、找综述、非敏感科普素材、快速翻译润色。
安全红线：任何未脱敏的患者数据，都不要输入网页版 AI。包括姓名、住院号、身份证号、联系方式、精确就诊日期、罕见病组合等可识别信息。
选型决策树：四问定工具
涉及未脱敏患者数据吗？是 → 只能用本地工具（Claude Code / 本地脚本 / 本地 RAG），且需符合伦理与信息安全制度；否 → 第二问。
需要执行代码/读写本地文件吗？是 → Claude Code / 批处理框架 / 轻量代码助手；否 → 第三问。
一次性探索还是固定重复？一次性复杂 → 主刀医生；固定批量需审计 → 流水线；简单局部 → 住院医师。
需要最新指南/联网证据吗？是 → 网页研究助手＋官方指南原文核对；否 → 本地模型/知识库。
一个更实用的判断表：
03
PART
成本与上下文：为什么“最强”不一定“最省”
COST · token 经济学
Token 成本与一条省钱原则
大模型按 token 计费，通常分输入 token（提示词、数据、文档）、输出 token（回答、代码）和缓存 token（部分服务商支持上下文缓存，重复内容打折）。一个粗略的直觉：一次普通问答几百到几千 token；读一篇 20 页 PDF 几万 token；一个完整的数据分析对话可能几十万 token；处理十万行数据，不要把原始数据全塞进对话，应该让 Agent 写代码去处理。
让模型写代码处理数据，而不是让模型“读”数据。
代码在本地跑，只有必要的摘要/结果进入上下文。这既省钱，又准确。
上下文长度不是越大越好
长上下文的代价：更贵、更慢、中间信息可能被“稀释”、模型可能抓不住重点。四个策略应对：
分块
把长文档切成章节，逐块处理。
检索
用 RAG 先找出相关段落，再喂给模型。
摘要
先让模型生成结构化摘要，再基于摘要工作。
落盘
每一步结果写成文件，下一步读文件，而不是靠对话记忆。
什么时候该“换工具”
任务需要几十轮交互、跨多个文件 → 主刀医生；任务要跑几百次、每次流程一样 → 流水线；任务只是“写个函数/查个错” → 住院医师；任务只是“查个指南/找个综述” → 门诊导医。不要用同一个工具解决所有问题。工具越多不一定越好，但知道每个工具的边界，会让你少走很多弯路。
04
PART
实操：五步建立你的《场景-工具对应表》
HANDS-ON · 本章可交付成果
列出你一周的重复任务
拿一张纸，写下你过去一周做过的、与电脑相关的工作，例如：整理夜班抢救记录、做晨交班 PPT、查指南、写论文、改学生作业、做质控报表、回患者随访消息、写科普。
给每个任务打四个标签
按决策树匹配工具
加一列“安全边界”
存成文件，每季度更新
把这张表存到 D:\AI急诊实验室\00_环境与配置\场景-工具对应表.md，每季度更新一次——工具会变，你的任务也会变。
///
LAST
交付、自检与第一篇小结
SUMMARY · 破局与基建收官
《场景-工具对应表》模板共七列：场景、数据敏感度、是否需执行、重复性、推荐工具、安全边界、备注。表下写上你的三条选型原则：①未脱敏数据，只用本地工具；②固定重复任务优先流水线，一次性复杂任务用主刀医生；③任何工具的输出，都要有人工验收。
过关自检五项：能说出四类工具各自的核心能力和边界；能用“数据敏感性、是否需执行、重复性、上下文长度”四问做选型；知道为什么不应该把十万行原始数据直接塞进对话；能解释“让模型写代码处理数据”比“让模型读数据”更安全更省钱；已经完成了自己的《场景-工具对应表》。延伸练习：边界测试——故意让工具做不擅长的事并记录失败模式；成本估算——找出最值得优化的任务；安全演练——写出处理含患者姓名 Excel 的脱敏步骤和工具选择。
本章速查卡：主刀医生（Claude Code + DeepSeek）→ 复杂、长上下文、本地执行；流水线（批处理框架）→ 固定、批量、可审计；住院医师（轻量代码助手）→ 小函数、正则、单文件；门诊导医（网页研究助手）→ 查指南、找综述、非敏感；选型四问：数据敏感？需执行？重复性？上下文长度？安全红线：未脱敏患者数据，不上网页版 AI。
第一篇小结：认知＋环境＋配置＋选型，全部就绪。
从下一篇开始，我们正式进入“数据炼金术”——把急诊科最烂的台账，变成能发论文的干净数据。
本文为《急诊科 AI 极客实战教程》第 4 章排版版。具体产品会更新换代，请以各工具官方文档为准。
我是SPSS与论文数据分析，热衷于分享医生 × AI 的实战干货。如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。
既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。
THANKS FOR READING
