用ModelEngine轻松搭建你的专属医疗健康智能助手:零代码也能玩转AI
用ModelEngine轻松搭建你的专属医疗健康智能助手:零代码也能玩转AI
一、ModelEngine:开源AI应用平台的新选择

当你想构建一个真正懂业务的AI应用,是不是经常被复杂的代码和架构吓退?ModelEngine正是为解决这个问题而生。它不是一个简单的聊天机器人平台,而是一个完整的企业级AI应用全栈解决方案。
二、Aido平台:智能体编排的工程化利器

ModelEngine的核心产品Aido,专为工程团队打造。它不是那种花里胡哨但难以落地的demo工具,而是可以"拉取源码即可本地运行"的工程级平台。Aido的强大之处在于它提供了ETL+RAG、智能体编排、MCP工具接入、插件体系与企业级监控等一整套能力,让你在自有环境中快速落地复杂的AI应用。
特别是它的RAG工作流编排能力,支持完整的检索、重排、结果过滤与校验链路;智能体编排与协作功能,让复杂业务拆解更加可靠;而MCP(Model Context Protocol)工具生态的接入,则大大扩展了AI应用的能力边界,使你的智能体不再局限于对话,而是能真正连接外部服务,完成实际任务。
三、实战:打造"健康小卫士"智能体
今天,我将带你用ModelEngine搭建一个"健康小卫士"智能体。这是一个专注于提供基础医疗咨询、健康知识普及和就医指导的AI助手,目标是成为用户身边的"第一道健康防线",帮助用户识别常见症状、提供基础建议并指导合理就医。
健康小卫士简介:基于医学指南和临床经验构建的智能健康顾问,能在用户出现不适时提供初步评估、家庭护理建议和精准就医指导,降低盲目就医率,提高医疗资源利用效率。
典型问题:
- “我最近总是头痛,特别是在工作压力大的时候,应该怎么办?”
- “孩子发烧38.5度,需要立即去医院吗?有什么家庭护理方法?”
- “高血压患者在饮食上有哪些禁忌和推荐?”
分步实施指南
步骤1:创建智能体应用
在Aido平台上,我们首先创建空白应用。通过简单的表单填写,设置应用名称为"健康小卫士",选择"医疗健康咨询"作为应用类别,设定目标用户为"有基础健康咨询需求的普通人群"。这一步骤看似简单,但背后体现了ModelEngine的工程化思维:从一开始就明确应用场景和用户画像,为后续的知识库构建和提示词设计奠定基础。
步骤2:智能生成核心提示词
ModelEngine平台内置的提示词优化工具,能根据我们的应用场景智能生成初始提示词框架。针对健康小卫士,系统生成了包含角色定义、能力边界、应答原则和安全约束的完整提示词结构。我们在此基础上补充医疗专业要求:“当涉及具体用药剂量、手术指征或危急症状时,必须明确建议用户及时就医,不得替代专业医生诊断”。这种人机协作的提示词设计方式,既保证了效率,又确保了专业性。
智能生成的提示词:
<instruction>
<instructions>
1. 作为智能健康顾问,你需要根据用户提供的症状、病史和当前状况,提供初步的健康评估和家庭护理建议。
2. 首先,详细询问用户的具体症状、持续时间、严重程度以及任何已知的病史。
3. 根据用户提供的信息,结合医学指南和临床经验,给出初步的健康评估。
4. 提供具体的家庭护理建议,包括饮食、休息、药物使用等方面的指导。
5. 如果症状较为严重或持续不见好转,建议用户及时就医,并提供可能的就诊科室和医院推荐。
6. 在输出中,避免使用任何XML标签,确保内容简洁明了。
7. 最后,提醒用户注意观察症状变化,并在必要时及时联系医生。
***注意,一些工具会被提供,请尽可能使用工具获取需要的知识,而非依赖已有知识***
</instructions>
<examples>
<example>
<input>头痛、发热、持续2天</input>
<output>根据您的描述,您可能患有感冒或流感。建议您多休息,保持充足的睡眠,多喝水,可以服用解热镇痛药物如布洛芬。如果症状持续或加重,建议您及时就医,可以前往医院的内科或感染科就诊。
</output>
</example>
<example>
<input>胃痛、恶心、呕吐、持续1天</input>
<output>根据您的描述,您可能患有急性胃肠炎。建议您暂时禁食,多喝水或电解质水,避免油腻和刺激性食物。可以服用止吐药物如多潘立酮。如果症状持续或加重,建议您及时就医,可以前往医院的消化内科就诊。
</output>
</example>
</examples>
</instruction>
<tool_usage>
你的回答有两种情况:
无需调用外部工具:
如果问题可通过已有对话历史或直接推理得到答案,直接输出最终结果,不需使用任何标签包装,也不显示详细思考过程。
需要调用外部工具解决的复杂问题:
必须采用以下严格的标签体系输出,每个标签之间空一行,且仅展示真实的工具调用结果:
<reasoning>...<reasoning>:展示你内部的思考过程。注意,这部分内容可以展示给用户,但仅限于描述思路,不应包含任何伪造的工具调用结果。
<step>...<step>:描述你准备调用工具的原因和计划。此处仅说明你需要调用哪个工具以及原因,工具的名称对人类阅读要友好,切勿直接模拟或输出工具返回内容。
<tool>...<tool>:当你真正调用某个工具后,等待工具反馈,然后将工具调用的返回结果做非常简略的摘要后放在此标签内,摘要字数在20字以内。绝对禁止在未获得真实工具反馈前预先构造。 <tool> 标签内容。
<final>...<final>:在获取所有真实工具调用结果后,将整合信息给出最终答案。
重要要求:
- 无论用户是否明确要求展示思考过程,都要展示思考过程
- 不要输出tool_call标签。
- 答案必须详细完整,不仅仅是工具返回结果的简单总结,而是对结果进行深入分析和整合,并提供背景解释、推理过程和可行性分析。
- 确保所有关键信息得到展开,避免省略任何重要内容。
- 如果适用,可以提供额外的解释、使用建议或应用场景,以增强回答的实用性。
- 请使用标准 Markdown 语法输出答案,保证语法完整,不要拆分列表结构。
- 输出此标签后,不得追加任何其他内容或标签。
严格要求:
切勿在中间思考或工具调用计划中,提前生成伪造的 <tool> 或 <final> 标签内容。必须在实际调用工具并获得反馈后,再以 <tool> 标签展示真实结果,再生成 <final> 标签输出最终答案。
如果历史对话中已包含真实的工具调用结果,应直接使用这些信息构造最终答案,避免重复调用或展示多余标签。
在所有工具调用完成之前,不得输出 <final> 标签;只有在确认所有真实工具反馈后,才生成最终答案。
<tool_usage>

步骤3:构建专业知识库
针对健康小卫士,我们需要在百度千帆知识库中构建以下核心知识库:
- 常见症状鉴别诊断指南(含症状-可能疾病映射表)
- 慢性病居家管理知识库(高血压、糖尿病等)
- 季节性流行病预防与应对指南
- 家庭常用药品使用规范与注意事项
- 各专科就诊指征与科室选择指南
- 健康生活方式指导(饮食、运动、睡眠)
- 中医养生基础与常见调理方法
先搭建知识库,可以本地上传也可以购买百度千帆的资源

知识库搭建完成后设置API key复制即可引用

这些知识库需要定期更新,尤其是疾病诊疗指南部分,确保AI提供的信息符合最新医学标准。
步骤4:集成工具流
为了让健康小卫士更实用,我们通过ModelEngine的MCP工具生态集成了几个关键工具:
- 症状自评工具:用户可输入多个症状,系统返回可能的健康风险级别
- 就医导航工具:根据用户位置和症状,推荐附近合适的医疗机构
- 用药提醒工具:为慢性病患者提供个性化用药提醒服务
- 健康档案管理:允许用户记录体温、血压等基础健康数据
我们可以在工具菜单中看到各式各样其他开发者开发的插件,当然我们也可以自己开发工具,这里做演示,我们可以选择自己适合的插件进行使用
我们可以在工具菜单中看到各式各样其他开发者开发的插件,当然我们也可以自己开发工具,这里做演示,我们可以选择自己适合的插件进行使用

这些工具的集成不是简单的功能堆砌,而是围绕用户健康旅程进行的有机组合,真正体现了智能体"解决问题"而非"回答问题"的核心价值。
步骤5:模型配置
我们选择deepseek-ai/DeepSeek-R1作为核心模型。这款大参数量模型在医疗健康领域表现出色,能够理解复杂的医学术语和症状描述,提供更为全面、细致且谨慎的健康建议,大大降低因理解偏差导致的误判风险,特别适合需要高准确性的医疗场景。
可以看看我的配置
步骤6:交互设计完善
健康小卫士的开场白设计为:“您好!我是您的健康小卫士,很高兴为您提供健康咨询服务。请注意,我的建议不能替代专业医生的诊断。请问您今天有什么健康问题需要咨询?”
一个典型交互场景是用户询问:"我经常感到胸口闷痛,尤其是在爬楼梯后,这正常吗?"系统不仅会分析症状可能的原因,还会通过富媒体组件展示心脏结构图,用表格呈现危险信号自查清单,并在回答末尾用醒目的方式标注:“胸痛伴随呼吸困难、大汗淋漓或持续超过15分钟,应立即拨打急救电话!”
如图是聊天设置:
步骤7:测试发布
在测试阶段,我们不仅验证功能正确性,更注重安全边界测试:故意输入模糊或危险的症状描述,确保系统能在不确定时明确建议就医。发布后,通过Aido平台内置的监控系统,持续追踪用户满意度、转诊准确率和高风险问题识别率等关键指标,形成闭环优化。
我和它说我头晕会是什么症状,他判断我可能是爬楼导致的。这样我们就可以在生活中判断我们的一些小病状的原因。
然后我们就可以发布了,在主页控制台可以看到我们的智能体
四、总结与展望
通过这个实践,我们可以看到ModelEngine不只是一个技术平台,而是一种"AI赋能业务"的新范式。它的零代码智能体平台Nexent让非技术背景的医疗专家也能参与智能体构建;强大的RAG工作流确保了知识的准确性和时效性;而企业级的监控能力则为医疗场景这种高敏感应用提供了安全保障。
在这个AI与人类专业能力深度融合的时代,像健康小卫士这样的智能体不会替代医生,而是成为医患之间的桥梁,让优质医疗资源得到更高效的利用,让健康管理变得触手可及。这,正是ModelEngine带给我们的技术温度。
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念,把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起,为开发者提供从开发、训练到部署的一站式体验。
更多推荐


所有评论(0)