{  "symptom_categories": {    "全身症状": [      "头痛", "乏力", "关节痛", "肌肉痛", "发热", "头晕", "恶心", "呕吐", "盗汗", "体重骤降"    ],    "头部症状": [      "偏头痛", "后脑勺痛", "太阳穴痛", "耳鸣", "视力模糊", "鼻塞", "牙痛"    ],    "腹部症状": [      "胃痛", "腹痛", "腹泻", "便秘", "腹胀", "反酸", "烧心"    ]  },  "fuzzy_keywords": [    "浑身不舒服", "没力气", "身体不得劲", "全身难受", "不舒服", "难受"  ]}

import jsonimport refrom transformers import pipeline# 加载症状库和模糊关键词库def load_symptom_database(file_path="symptom_database.json"):    """加载症状分类库和模糊关键词库"""    try:        with open(file_path, 'r', encoding='utf-8') as f:            data = json.load(f)        return data["symptom_categories"], data["fuzzy_keywords"]    except FileNotFoundError:        print("症状库文件未找到，使用默认库")        # 默认症状库        default_categories = {            "全身症状": ["头痛", "乏力", "关节痛", "肌肉痛", "发热", "头晕"],            "头部症状": ["偏头痛", "后脑勺痛", "太阳穴痛"],            "腹部症状": ["胃痛", "腹痛", "腹泻"]        }        default_fuzzy = ["浑身不舒服", "没力气", "身体不得劲"]        return default_categories, default_fuzzy# 识别模糊输入def is_fuzzy_input(user_input, fuzzy_keywords):    """判断用户输入是否为模糊症状描述"""    # 去除标点和空格，统一为小写    clean_input = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9]', '', user_input).lower()    for keyword in fuzzy_keywords:        if keyword in clean_input:            return True    return False# 症状归类与拆解提问生成def generate_symptom_question(user_input, symptom_categories):    """根据模糊输入生成症状拆解提问"""    # 简单的语义匹配（初学者版，进阶可使用大模型）    if any(word in user_input for word in ["浑身", "全身", "没力气", "不舒服"]):        category = "全身症状"    elif any(word in user_input for word in ["头", "晕", "痛", "耳鸣"]):        category = "头部症状"    elif any(word in user_input for word in ["肚子", "胃", "腹", "泻"]):        category = "腹部症状"    else:        category = "全身症状"  # 默认归类    # 提取该类别下的前5个高频症状    top_symptoms = symptom_categories[category][:5]    # 生成引导式提问    symptom_str = "/".join(top_symptoms)    question = f"很抱歉听到你不舒服，为了更精准解答，请问是{symptom_str}？还是其他具体不适？"    return question# 大模型推理（使用Hugging Face的开源模型）def medical_inference(symptoms):    """根据精准症状生成医疗建议"""    try:        # 使用 bert-base-chinese 的问答pipeline        pipe = pipeline("question-answering", model="bert-base-chinese")        # 构建更完整的上下文        context = f"""根据您的症状"{symptoms}"，可能的原因包括感冒、疲劳或其他常见问题。建议措施如下：第一，多休息，保证充足睡眠；第二，多喝温水，保持水分充足；第三，监测体温变化；第四，适当进行轻度活动；第五，如症状持续或加重，请及时就医。本建议仅供参考，不替代专业医生的诊断和治疗。"""        # 询问具体的建议措施        question = "建议措施有哪些？"        # 调用模型，设置更大的最大答案长度        result = pipe(question=question, context=context, max_answer_len=100)        # 直接返回模型输出的答案        return result['answer']    except Exception as e:        # 如果模型调用失败，返回默认建议        return f"根据您的描述\"{symptoms}\"，建议您多休息，保持充足睡眠，多喝温水。如果症状持续或加重，请及时就医。"# 主流程def fuzzy_input_handler(user_input):    """模糊输入处理主函数"""    # 加载数据    symptom_categories, fuzzy_keywords = load_symptom_database()    # 第一步：判断是否为模糊输入    if not is_fuzzy_input(user_input, fuzzy_keywords):        # 非模糊输入，直接推理        return medical_inference(user_input)    # 第二步：生成拆解提问    question = generate_symptom_question(user_input, symptom_categories)    print("AI回复：", question)    # 模拟用户二次输入（实际场景中为用户真实回复）    user_second_input = input("请输入你的具体症状：")    # 第三步：根据精准症状推理    final_advice = medical_inference(user_second_input)    return f"AI回复：{final_advice}"# 测试if __name__ == "__main__":    user_input = "浑身不舒服"    result = fuzzy_input_handler(user_input)    print(result)

import reimport cv2import numpy as npfrom PIL import Imagefrom transformers import ViTImageProcessor, ViTForImageClassification# 文本无效性校验（乱码/非医疗无关文本）def is_invalid_text(user_input):    """    判断文本是否为无效输入：    1. 纯乱码（字母+数字+符号组合，无有效中文）    2. 非医疗无关文本（如“今天天气真好”“吃饭了吗”）    """    # 规则1：中文占比低于30%，且包含大量符号/乱码    chinese_chars = re.findall(r'[\u4e00-\u9fa5]', user_input)    chinese_ratio = len(chinese_chars) / len(user_input) if len(user_input) > 0 else 0    # 规则2：匹配非医疗无关关键词    non_medical_keywords = ["天气", "吃饭", "睡觉", "旅游", "风景", "电影", "游戏"]    non_medical_match = any(word in user_input for word in non_medical_keywords)    # 纯乱码（无中文）或非医疗无关文本，判定为无效    if (chinese_ratio < 0.3 and len(chinese_chars) == 0) or non_medical_match:        return True    return False# 图片分类：识别是否为医疗相关图片def is_medical_image(image_path):    """    使用ViT模型识别图片是否为医疗相关（检查报告/症状部位）    初学者版：简化分类，仅区分“医疗图片”和“非医疗图片”    """    # 加载预训练的ViT模型和处理器    processor = ViTImageProcessor.from_pretrained('google/vit-base-patch16-224')    model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-224')    # 加载并预处理图片    try:        image = Image.open(image_path).convert('RGB')        inputs = processor(images=image, return_tensors="pt")    except:        # 图片无法打开，判定为无效        return False    # 模型推理    outputs = model(** inputs)    logits = outputs.logits    predicted_class_idx = logits.argmax(-1).item()    predicted_class = model.config.id2label[predicted_class_idx]    # 简单判定：包含“document”（文档，对应检查报告）或“human”（人体，对应症状照）为医疗图片    medical_keywords = ["document", "human", "person"]    if any(word in predicted_class.lower() for word in medical_keywords):        return True    return False# 错误输入处理主函数def error_input_handler(input_type, input_content):    """    处理错误输入    input_type: "text" 或 "image"    input_content: 文本内容 或 图片路径    """    # 文本错误输入    if input_type == "text":        if is_invalid_text(input_content):            return "我暂时无法识别这个内容，你可以描述具体症状或上传检查报告，我会尽力解答"        else:            return "你的症状描述已收到，我正在为你分析..."    # 图片错误输入    elif input_type == "image":        if not is_medical_image(input_content):            return "我暂时无法识别这个内容，你可以描述具体症状或上传检查报告，我会尽力解答"        else:            return "你的检查报告已收到，我正在为你解读..."    # 其他输入类型    else:        return "我暂时无法识别这个内容，你可以描述具体症状或上传检查报告，我会尽力解答"# 测试if __name__ == "__main__":    # 测试乱码文本    test_text = "asdfg123%%%今天天气真好"    print(error_input_handler("text", test_text))    # 测试风景照（替换为你的风景照路径）    test_image = "landscape.jpg"    print(error_input_handler("image", test_image))

{  "high_risk_keywords": {    "生命相关": ["轻生", "不想活了", "自伤", "自残"],    "抑郁相关": ["重度抑郁", "抑郁症想轻生", "抑郁到想死", "长期抑郁"],    "紧急医疗": ["大量服药", "急性心梗", "脑出血", "无人照料", "晕倒"]  },  "assistance_hotlines": {    "心理援助热线": "400-161-****",    "紧急医疗热线": "120",    "人工客服热线": "400-888-****"  }}

import jsonimport reimport timefrom transformers import pipeline# 加载高危关键词库和援助热线def load_high_risk_database(file_path="high_risk_database.json"):    """加载高危关键词库和援助热线"""    try:        with open(file_path, 'r', encoding='utf-8') as f:            data = json.load(f)        # 扁平化高危关键词列表        high_risk_words = []        for category in data["high_risk_keywords"].values():            high_risk_words.extend(category)        return high_risk_words, data["assistance_hotlines"]    except FileNotFoundError:        print("高危数据库未找到，使用默认库")        default_words = [ "轻生", "不想活了", "重度抑郁", "大量服药"]        default_hotlines = {            "心理援助热线": "400-161-****",            "紧急医疗热线": "120",            "人工客服热线": "400-888-****"        }        return default_words, default_hotlines# 识别高危输入def is_high_risk_input(user_input, high_risk_words):    """判断用户输入是否为高危内容"""    clean_input = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9]', '', user_input).lower()    # 精确匹配+语义相似匹配（简单版：先精确匹配）    for word in high_risk_words:        if word in clean_input:            return True    # 进阶：语义相似匹配（使用Sentence-BERT）    # from sentence_transformers import SentenceTransformer, util    # model = SentenceTransformer('all-MiniLM-L6-v2')    # input_embedding = model.encode(clean_input, convert_to_tensor=True)    # for word in high_risk_words:    #     word_embedding = model.encode(word, convert_to_tensor=True)    #     if util.cos_sim(input_embedding, word_embedding) > 0.7:    #         return True    return False# 调用人工客服转接接口（模拟）def call_human_service():    """模拟调用人工客服转接接口，标记为高危优先级"""    print("【后台日志】触发高危优先级人工转接，时间：", time.strftime("%Y-%m-%d %H:%M:%S"))    # 实际场景中为接口调用：    # import requests    # response = requests.post("https://api.your-platform.com/transfer-human",     #                         json={"priority": "high", "content": user_input})    # return response.status_code == 200    return True# 极端场景处理主函数def high_risk_input_handler(user_input):    """极端场景输入处理主函数"""    # 加载数据    high_risk_words, hotlines = load_high_risk_database()    # 第一步：判断是否为高危输入    if not is_high_risk_input(user_input, high_risk_words):        # 非高危输入，正常推理        pipe = pipeline("text2text-generation", model="medicalai/medbert-base-chinese")        prompt = f"请给出{user_input}的建议："        return pipe(prompt, max_length=200)[0]["generated_text"]    # 第二步：触发人工转接    transfer_success = call_human_service()    # 第三步：生成安抚+援助提示    if transfer_success:        response = (            f"请不要担心，我们的人工客服会在1分钟内联系你（人工客服热线：{hotlines['人工客服热线']}）。"            f"同时为你提供心理援助热线：{hotlines['心理援助热线']}，紧急医疗情况可直接拨打{hotlines['紧急医疗热线']}，你不是一个人！"        )    else:        # 接口调用失败的容错处理        response = (            f"请不要担心，我们非常重视你的情况。心理援助热线：{hotlines['心理援助热线']}，"            f"紧急医疗情况可直接拨打{hotlines['紧急医疗热线']}，也可拨打我们的人工客服热线：{hotlines['人工客服热线']}，我们会立即为你提供帮助！"        )    # 第四步：记录高危交互（合规要求）    with open("high_risk_log.txt", 'a', encoding='utf-8') as f:        log = f"{time.strftime('%Y-%m-%d %H:%M:%S')} - 高危输入：{user_input} - 回复：{response}\n"        f.write(log)    return response# 测试if __name__ == "__main__":    # 测试高危输入    test_input = "我有重度抑郁，想轻生"    result = high_risk_input_handler(test_input)    print(result)