摘要

目的探讨以大语言模型DeepSeek为核心基底模型，与医院核心系统融合实现“三院灵智”智能体系的实践路径及应用成效。方法“三院灵智”以DeepSeek为技术基座，通过模型调度机制，充分利用北京大学第三医院自身私域知识与病历数据，采用“流式模型孵化”实现从数据准备到模型落地。使用检索增强生成工具，实现统一规划“DeepSeek+”多种模式。结果“三院灵智”于2025年2月25日上线，首月使用量超万人次，单人最大对话轮次达32次，日使用量最高达500多人次。

提问总结时间从上线前的5 min压缩至3 s，病历书写时间从10 min降至2 min，病历缺陷率从15%降至5%。“三院灵智”通过智医、智护、智技、智药、智研五大矩阵实现了全场景智能化。结论“三院灵智”是智能医疗从单点工具到深度融合院内系统的集成性创新跨越，为医院信息化与智慧医疗建设提供了坚实的技术保障和实践经验。

近年来，随着AI技术的迅猛发展，大语言模型（large language model，LLM）已成为医疗行业数字化转型的重要驱动力。2023年，ChatGPT技术的突破性进展证明了LLM在知识问答、文本生成和决策支持上的强大能力［1］。然而，医疗领域的特殊性使得通用LLM难以直接应用，数据隐私、临床适配性、专业术语理解和医学逻辑推理等问题成为其落地的关键挑战。2025年，由杭州深度求索人工智能基础技术研究有限公司研发的高性能LLM DeepSeek，凭借强大的推理能力、长文本处理能力和开源可定制特性［2］，成为医疗AI领域极具潜力的选择，其支持多模态数据融合处理。DeepSeek作为国产开源LLM，通过算法与硬件的协同优化，显著降低了算力成本（训练成本仅为同类模型的30%）［3］。2024年国家卫生健康委发布的《卫生健康行业人工智能应用场景参考指引》，明确了84个AI应用场景，其中18个聚焦大模型技术，为DeepSeek的医疗落地提供了政策支持。我国《新一代人工智能发展规划》也强调AI在智慧医院建设中的核心作用［4］，医疗大模型的精细化应用已成为行业共识。

北京大学第三医院（以下简称“我院”）作为大型综合医院，服务规模大、运行效能高。面对庞大的服务群体，如何在提高工作效率的同时，切实满足提升医疗质量和减少医疗差错的双重要求，是医院当前面临的重要课题。本文系统探讨了我院以LLM为核心基底模型，实现“三院灵智”智能体系的实践路径。我们以“技术驱动、场景深耕、生态扩展”为核心理念，以DeepSeek为技术基座，以医院融媒体形象为专属载体，统一规划，分步实施。通过“DeepSeek+”模式拓展医疗、护理、医技、药学及科研等多场景建设，实现从单点工具到深度融合院内系统的集成性创新跨越，逐步形成具有我院鲜明特色的智慧应用新生态。

一、“三院灵智”的技术实现框架

DeepSeek具备三大核心技术优势：其一，采用强化学习优化的推理能力，显著提升任务处理效率；其二，支持长达128k tokens的上下文处理，在长文本理解方面表现突出；其三，基于开源可微调架构，为用户提供高度灵活的模型定制能力。相比于GPT-4、Claude等闭源模型，DeepSeek可实现本地私有化部署，确保数据安全（符合《医疗卫生机构数据安全管理规范》）［5］，同时可基于医疗数据进行持续优化训练，实现模型个性化适配。依托这些专有特性，通过多技术融合应用，可在医院场景中实现系统化的规划部署与实践创新。

（一）LLM应用设计架构

LLM应用设计架构以混合算力为支撑进行部署，兼容NVIDIA及华为昇腾等国产算力硬件，构筑安全可控的算力底座。LLM基模以DeepSeek-671B INT8全尺寸和DeepSeek-R1-Distill-32B版本为“医疗大模型基座”底层核心，融合我院“三生大模型”、千问QwQ-32B模型，以及传统模型构建模型中台，通过模型调度、出口转发、对外服务、日志监控等管理机制进行模型管理与输出。在数据层，充分利用我院自身私域知识与病历数据进行增强预训练，构建专业化医学语义理解与推理能力。通过监督微调（supervised fine-tuning，SFT）适配临床等场景需求，形成安全可控的技术底座。应用层依托“流式模型孵化”体系，实现从数据标注、无代码训练、双因素评测到边云协同部署的全生命周期管理，通过检索增强生成（retrieval-augmented generation，RAG）与混合专家（mixture of experts，MoE）技术动态调用专业知识库，最终以统一入口提供一站式智能服务。支持快速定制轻量化模型应用；上层应用场景整合多元化智能体（Agent）矩阵，通过工作站的AI助理应用框架，统一部署在操作面板（Panel）上，相关应用通过Panel权限进行授权访问控制。覆盖智慧诊疗、临床科研加速、管理质控等多个业务场景，全流程设计以“低门槛、高可控”为目标，全架构通过“数据-模型-应用”闭环迭代，实现医疗场景的精准化、高效化与标准化赋能［6］，为医疗机构提供从模型开发、测试到规模化落地的标准化工具链，显著缩短AI技术从实验室到临床的转化周期（图1）。

注：Panel为操作面板；RAG为检索增强生成；EDI为电子数据交换；API为应用程序接口；DS为DeepSeek；SFT为监督微调

图1“三院灵智”整体架构设计图

（二）AI底座搭建

AI底座以通用LLM DeepSeek、Qwen等多个模型为核心，融合医院临床指南、文献、知识图谱与私域知识多学科病历数据进行增强预训练，构建专业化医学语义理解与推理能力。在预训练阶段注入领域专业知识，可解决通用模型在医疗术语、诊断逻辑上的偏差问题；运用SFT微调技术进一步优化模型，以更好地支持诊疗推荐、病历自动生成、外科手术规划，以及辅助临床科研队列分析、文献解读，适配复杂场景下罕见病的辨识，保障训练推理效率。此外，知识底座与数据底座的解耦架构支持动态更新医学知识库［7］，确保模型持续迭代，为医院构建自主可控、安全合规的智能化基础设施提供长期价值。

（三）训练推理管理一体化

训练推理管理一体化系统展示了医疗大模型全生命周期技术体系，通过“流式模型孵化”实现从数据准备到模型落地的无缝衔接。医学抽样标注与多模态语料构建模块结合私有数据混合训练，动态筛选高价值病例与数据，自动标注关键字段（如诊断结论、手术术式），确保数据专业性与多样性；搭建无代码训练平台支持一键超参数优化与LoRA参数冻结技术，允许医疗机构基于预置模板（如病历生成、影像识别）快速迭代模型，同时通过参数强化策略自适应调整学习率与权重分配，兼顾训练效率与模型稳定性；可视化模型管理平台提供训练进度实时监控、资源消耗分析（图像处理器/算力）、模型版本回溯等功能［8］。此外，标注语料回流机制将临床实际使用中的优质数据自动补充至训练集。

（四）智能问答闭环流程

通过AI助理统一入口发起任务，在RAG范式下触发意图识别模块，分析问题类型（如医疗问诊、用药指导、科研文献查询、病历生成等），根据意图识别结果，通过指令分发将请求路由至对应的Agent矩阵，并检索医院私域知识（医学文献、临床指南、知识图谱中的结构化数据）及外部引用数据（多学科、多病种病历数据）的补充信息，结合药品知识检索、病历信息抽取、罕见病发现等子模块，精细化提取相关领域的知识。然后，将查询结果结合原始问题生成检索增加提示词模板并推送到DeepSeek进行推理问答，形成最终答案，并由机器自动评测答案的准确性、合规性，审核回答质量，经由一站服务返回用户，同时标注语料回流至训练端，用于模型迭代优化，从而实现从知识检索到智能问答、模型迭代的闭环流程。

二、“三院灵智”的医疗应用场景部署

以DeepSeek为技术基座，以医院融媒体形象为专属载体，统一规划，分步实施。通过“DeepSeek+”模式拓展医疗、护理、医技、药学、科研等多场景建设，实现从单点工具到深度融合院内系统的集成性创新跨越，逐步形成具有我院鲜明特色的智慧应用新生态（图2）。

图2“三院灵智”辅助医疗场景应用示意图

（一）医生工作站场景应用

医生工作站与DeepSeek应用深度融合，依托底层大模型构建标准化应用程序接口（application programming interface，API），支持业务系统通过参数配置灵活调用模型，并与院内资源数据中心实现患者数据融合。以AI助手为交互载体，开发用户友好的Panel，便于医生高效对接大模型。该方案全面覆盖门急诊及住院等临床场景，可自动生成经隐私脱敏处理的病史提示词，提供智能推荐与分析服务，涵盖罕见病识别、鉴别诊断、治疗方案优化、手术规划、病历自动总结、风险预测、报告解读及病历缺陷修正建议等多项辅助功能，可有效提升临床工作效率、降低差错率并改善医疗质量。见图3。

图3“三院灵智”医生工作站与DeepSeek融合应用场景

（二）护士工作站场景应用

移动护理信息系统通过调用DeepSeek统一接口，采用服务器发送事件（server-sent events）的方式推送数据，并结合分块传输机制，实现从请求处理到内容推送的响应式数据流与上下文管理。结合提示词工程技术进行护理场景快速问答，LLM的返回结果通过marked、katex等插件流式解析和渲染文本，结合分片压缩、WebWorker异步解析及DOM增量更新优化性能。在护士工作站终端设置护理形象图标，采用自然语言问答，支持患者病情自动带入，结合护理知识库与管理流程，提供并发症预警、护理措施推荐、报告解读、患者风险预测等实用功能支持护理场景快速提问，支持历史问答查询+持续追问，实现护理工作效率与质量的双提升［7］。见图4。

图4“三院灵智”护士工作站与DeepSeek融合应用场景

（三）医技工作站场景应用

我院医技系统已覆盖检验、药事、体检以及超声等应用，通过搭建各类专科知识库体系，实现知识文献的向量化高效检索，并融合院内DeepSeek的推理能力实现符合专科业务知识的智能问答机制。医务人员通过一键调用，可便捷地进行专业领域知识问答、资料查询等，在检验、体检、超声和内镜等医技系统中实现高效检索、报告质控、报告解读等功能，提升医技科室运行效能。在手术麻醉系统实现围术期智能应用新突破，通过将手术麻醉数据“一站式”整合，支持自动带入医疗信息，结合麻醉专科知识库，完整分析病情，完成患者麻醉风险评估、麻醉计划制定、术前-术中-术后麻醉管理、并发症预警及预防，为医生提供手术风险智能评估、术中实时决策支持等智能辅助，实现患者围术期麻醉全流程智能辅助管理。

（四）药师智能问药应用

在临床药学系统中，运用由RagFlow所实现的RAG技术进行动态知识检索。RagFlow采用nomic-embed-text解析模型，以URL接口方式对接集成，并通过对话界面展示。系统整合LLM、增强数据检索和语音合成等技术，融合私域药学资料、药学系统服务和医院信息系统数据库等资源，以Web应用和移动端APP双渠道提供新型人机交互服务，为临床和药学人员提供知识问答咨询功能，支持历史咨询记录的追溯与优化。

（五）临床科研场景应用

秉承“临床科研一体化”的规划设计，将DeepSeek与我院临床数据分析平台进行深度整合。在现有平台架构中植入大模型能力，其中文献总结解读模块通过跨语言、跨学科知识融合，辅助科研人员快速把握领域前沿动态。科研智问应用功能包括：科研知识百科全书、辅助构思选题、前沿热点趋势分析、队列分析、文献解读、研究方案动态生成、论文润色等功能，构建了“临床问题-科研突破-成果产出”闭环服务，为医院科研创新提供智能化支撑、全流程科研辅助，助力研究者科研能力和效率的全面提升。

结 果

一、使用情况

“三院灵智”智能体系于2025年2月25日正式上线，首月已服务医护技人员超千人，累计使用超万次，覆盖4 000多例患者，单人最大对话轮次达32次。日使用量最高达500多人次，包括门诊、住院场景应用。关于使用时段，上线初期主要在看诊前后，如8：00、16：00，上线1个月后则以10：00、15：00为高峰，用于看诊过程中做参考辅助。见图5、图6。

图5全院使用“三院灵智”辅助的人次统计（竖虚线处为2025年3月25日数据）

图6全院使用“三院灵智”的时间段统计

二、使用成效分析

“三院灵智”以“大模型整体业务架构”为核心，通过智医、智护、智技、智药、智研五大Agent矩阵实现医疗全场景智能化。

在医疗场景中，预问诊问答与用药指导模块基于权威知识库实时生成个性化建议，降低误诊漏诊风险；手术规划功能通过多模态数据融合，辅助医生制订精准方案；罕见病发现模块利用LLM对非典型症状的关联分析能力，显著提升早期筛查效率。通过与医、护、技、药工作站深度集成，系统实现模板化自动带入关键信息，提问总结时间从上线前的5 min压缩至3 s，效率提升超过90%；病历书写时间从10 min降至2 min，减少人工书写时间80%。病历缺陷率（如：缺失、前后矛盾等）从15%降至5%。

在临床科研场景中，研究队列搜索与数据处理分析功能自动化完成海量病例筛选、变量提取与统计建模，将传统耗时数周的研究准备压缩至分钟级。文献总结解读模块则通过跨语言、跨学科知识整合，辅助科研人员快速定位领域前沿。

在管理场景中，质控问题发现与质控建议生成模块实时监控诊疗流程合规性，自动识别偏离指南的操作并生成改进方案，结合病历生成功能的结构化输出，实现医疗质量闭环管理。

讨 论

一、发挥LLM的优势

聚焦LLM在医疗数据与科研场景的垂直应用，其优势体现在通过多轮对话问答与病历内容生成功能，将非结构化的医患沟通信息自动转化为标准化病历，提升临床工作效率并减少人为记录误差；相似患者发现功能依托LLM的语义理解能力，从海量历史病例中快速匹配相似诊疗路径，为个性化治疗提供数据支持；药品知识检索与病历信息抽取功能通过动态关联权威知识库，确保诊疗决策的合规性与安全性；在科研层面，该架构通过自动化数据清洗、病例队列构建与知识图谱生成，将传统需数周完成的科研分析压缩至小时级，显著加速医学研究进程。

二、混合知识库体系

全架构依托MoE协同决策、RAG增强检索技术与LLM的深度协同应用，确保从基层诊疗到疑难杂症场景的精准性与可靠性，同时通过统一入口整合分散服务，简化操作流程，为医院提供“全场景覆盖、全流程可控”的智能化升级路径。通过双因素评测体系融合机器自动评测（基于标准题库的答案一致性检验）与混合图灵测试（医生盲审模型输出结果），覆盖诊断准确性、术语规范性和逻辑合理性多维度指标，规避生成内容偏差风险。

三、质量控制措施

在预测用户患病风险、推荐就医及提供诊疗意见的过程中，可能存在准确度欠佳的情况。针对这一问题实施质量控制时，我们采取了脱敏处理技术来安全获取患者的有效信息，并实现自动带入；运用知识引导与提示工程相结合的策略，设置提示词模板供用户在提问时选用，此举能有效克服因表述不精准（包括方言影响）造成的病情症状描述偏差，从而提升回答的准确性。为杜绝幻觉现象，系统部署了本地化的医疗知识库，基于RAG框架实时调取权威资料生成回应，同时引入Qwen、GLM等模型对DeepSeek的输出内容进行事实核查。此外，系统明确采用辅助模式运行，要求用户通过人工复核并确认后方能引用结果。在临床辅助诊断的应用场景中，此举旨在降低疾病误诊等潜在风险。然而需指出的是，DeepSeek作为通用型LLM基础架构，仍需由专业团队借助高质量医疗大数据开展定制化训练以优化性能。

四、安全运行部署

“三院灵智”全流程本地化部署，避免了云端隐私泄露风险，其应用成效不仅验证了在医疗场景中的高效性和可靠性，更为后续全场景扩展提供了创新范式。构建的“管理-技术-运行”三维安全体系，通过私有化部署、数据脱敏、权限管控等技术手段防范信息泄露，在上线前完成了渗透测试与API接口鉴权验证，运行中依托智能态势感知平台与漏洞管理平台的协同防控，筑牢了医疗智能体系安全基座。在评测端，双因素评测体系融合机器自动评测与混合图灵测试，覆盖诊断准确性、术语规范性和逻辑合理性多维度指标，规避生成内容偏差风险。支持本地化轻量模型与云端大模型灵活切换，满足不同场景的推理速度与隐私要求。而模型调用管理模块通过权限分级、API审计与异常访问拦截，保障模型服务的安全性。

五、发展趋势

DeepSeek在医疗领域的应用，标志着AI技术从工具属性向核心生产力的转变。凭借高度可定制的技术架构以及与医疗场景的深度适配能力，DeepSeek稳步深耕于医疗市场，并对传统诊疗流程展开重塑［9］。未来，我院将依托DeepSeek持续发力，全方位拓展医、教、研、服、管、患等多场景应用，为医院高质量发展注入强劲“智慧动能”。但是也要认识到AI技术存在的安全风险和伦理风险，其中安全风险涉及算法安全、数据安全、网络安全、文化层面的影响、管理体系的漏洞以及物理环境的安全隐患［10］。由国家网信办、工业和信息化部、公安部、国家广播电视总局制定的《人工智能生成合成内容标识办法》规定［11］，所有经由AI生成合成的文字、图片、视频等内容，均需添加显式或隐式的标识，以此明确界定其辅助性质，而非取代人类的主体地位。与此同时，国家卫生健康委正着手牵头制订医疗大模型的接口规范与数据安全标准。

在后续发展中，AI将愈发重视与本地专业知识库的融合，并积极引入高质量的医疗数据作为训练语料。医院所拥有的高质量、大规模医疗数据集，能够极大提升DeepSeek的训练成效与性能表现，为其提供完整、准确且经过脱敏处理的训练数据，有效降低因训练数据偏差而引发的“幻觉”现象 ［ 12 ］。在此过程中，应鼓励医护人员主动提升对DeepSeek所给出诊疗建议的分析与甄别能力，以有效抵御可能出现的“幻觉”风险，充分挖掘并实现AI的最大价值。通过技术优化、场景深耕与生态协同，DeepSeek有望成为推动医疗质量提升与模式革新的关键力量。然而，只有平衡效率与安全、创新与伦理，才能实现可持续发展的智慧医疗愿景，建立可信任、重体验、易操作的模型系统。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓