本文速食指南

全文共计3070字，阅读时间约8分钟。本文主要内容如下：

1、医疗场景的特殊性：用户模糊的提问以及需要精准回复的期望

2. 实测豆包：用prompt激活追问能力

3、实测百小医：拥有循症追问能力的医疗大模型

4、让AI拥有医学追问能力的设计理念与技术路线

用过AI产品的人都知道，如果要让AI给出准确的答复，前提往往是你要先把问题描述清楚；你给的信息越完整，AI 的回答越贴近你的真实需求。

比如我让AI帮我写一篇小红书文案，我需要明确告诉AI这篇文案的目标人群、发布平台、产品卖点、语气风格等。在这种情况下，“讲清楚问题的能力”比“大模型的能力”要更重要。

但是医疗场景是不一样的。当一个潜在患者来问医疗问题时，往往不是带着一个完整问题来的。他可能只能描述一个症状，一种感觉，有相当的模糊性和表征性。例如患者说，“我胸口有点闷”，同时他没有专业的医学训练，他其实不知道医生真正关注的不是“胸口闷”这样一个表证，而是：什么时候开始的、持续多久、活动后会不会加重、休息后能不能缓解、有没有出汗气短、有没有左肩或后背放射痛、有没有高血压和吸烟史等等。所以医疗 AI 不能只等着用户细节确定好；它必须主动把问题问清楚。

那么如何让AI在面对医疗问题时能够主动追问呢？

我先测试一下我们经常用的豆包，如果直接给它描述症状，它会怎直接给出自己的回复和判断，就如下图所示。

当然我们也可以通过Prompt来强制豆包发起追问，来看看在Prompt加持下，能不能完成医疗追问任务。

把上述提示词给到豆包后，豆包的确能够站在医生的角度提问了。

它没有一上来就说“可能是心脏病，也可能是焦虑”。它先说明当前信息不足，然后问了几个关键问题：

• 有没有高血压、糖尿病、高血脂或既往心脏病史；
• 胸闷和活动、劳累有没有关系；
• 每次持续多久，休息后能不能缓解；
• 有没有胸痛、出汗、气短、肩背放射痛；
• 最近有没有黑蒙、晕厥、咳嗽等情况。

后面我逐步补充年龄、血压、用药、症状诱因、伴随表现之后，它也能把风险往心血管方向收敛。所以从结果看，Prompt 是有效的。

通用大模型不是不会追问。当我明确告诉它“你的任务不是马上回答，而是先追问和分诊”，它确实能进入一个相对谨慎的医疗问答状态。但是这里的问题也很明显：

首先，这个追问并不是默认能力，而是我通过提示词在后期给它加上的能力。普通的用户可不能一开始就写长长一段的医疗追问提示词。

其次，豆包的“追问”有点任务感，或程式化。例如下面几个图：

问到最后真的让我哭笑不得...它能问到关键点，但每一轮都带着比较长的结构化说明，安全提醒反复出现。

所以在追问提示词的要求下，豆包更像在执行我给它的规则，它的逻辑是：提示词要求我先追问，所以我追问；提示词要求我列危险信号，所以我列危险信号。

接下来看看百小医，这个医疗大模型的表现。

我仍然只用一句话模糊的表征问句开场，但是与豆包不同的是，它不急于给我建议或结论，而是直接进入“症状问诊”的路径。

整个过程中，百小医并没有泛泛地聊天，而是全程围绕胸闷背后的风险路径展开分析，从用户的主诉出发，沿着这个症状可能对应的风险路径，逐步补齐最能改变判断的信息。

作为一个严肃场景的医疗AI，它的能力可以说是无限接近并超越真实医生的医学知识、思考路径以及动态追问。

作为一个AI Builder，我们都知道从chatbot到一个能用到垂直场景的agent，目前有几个技术路线：prompt层、skills或workflow层、模型能力，以及knowledge或RAG层。

第一层是Prompt。

比如我可以让通用大模型扮演“医疗健康问题初步分诊助手”，要求它不要直接诊断，而是先追问 3-6 个关键问题。这样做之后，通用模型的表现通常会明显变好。

所以 Prompt 层的价值是：让模型能够在当前对话中进行追问。

它适合验证思路，但很难成为严肃医疗产品的唯一保障。

第二层是Skill或Workflow。

这一层不是提醒模型“你要追问”，而是把追问做成产品既定流程。

比如先识别症状类型，再进入胸痛、发热、用药、报告解读等不同路径。系统会收集年龄、持续时间、严重程度、伴随症状、基础病、用药史，再决定继续追问、科普解释，还是建议就医。

如果说Prompt 是一句临时地提醒，那么skill或Workflow 是一套机制。它的优势是稳定、可控、可测试。但它的限制是，如果流程覆盖不到，或者用户表达很复杂，系统可能会显得模板化。

第三层是模型能力与智能体架构。

真正的医疗智能体，不只是会背医学知识，而是能在多轮对话里判断“下一问最重要什么”。

比如用户说头晕，它不是机械问“多久了”，而是知道要区分眩晕还是头昏，有没有肢体无力、说话不清、体位变化、血压血糖异常，是否需要排除卒中风险。

这一层的核心是深埋在产品架构中的追问能力。

它更像医生的思考路径，但也更需要严肃评测。因为能力越像判断，越要证明它稳定、可靠、不会漏掉危险信号。

例如下图就是摘自百川智能CEO王小川公开演讲中，百川智能体的技术架构。

第四层是Knowledge或RAG。

这一层解决的是“答案从哪来”。

系统可以检索临床指南、药品说明书、医学百科、论文、院内知识库，再基于资料回答。

它的价值是可追溯、可更新、可审计。

但知识库本身不等于追问能力。

它能告诉 AI 什么是危险信号，却不自动保证 AI 会主动问出这些危险信号。

所以总结下来，Prompt 让模型会追问，Workflow 让系统稳定追问，产品架构让AI能够判断出来什么时候该追问什么，Knowledge让最终回答有依据可核验。

如果你也是一个医疗AI产品经理，或者创业者，我希望你从这个文章中得到的产品设计理论是这个：

1. 普通 AI 产品追求的是降低任务完成成本；而医疗 AI 产品追求的应该是降低风险判断成本。

2. 医疗ai产品的核心能力，除了“答得准”，更重要的是能不能在信息不完整的情况下，主动挖掘患者问题背后的其他细节。

3. 最后的也是最重要的，当回答越来越廉价，追问就会变得越来越贵。