这次画像功能从设计到落地，不只是给表里加了几条数据，而是走通了一条比较完整的 AI 应用链路。第一，LLM 的「分离关注点」设计思路很重要。画像收集涉及两个完全不同的任务——从对话中提取信息、和引导用户聊天。如果试图用一个 Agent 同时做这两件事，效果会很差。拆成 MemoryExtractionAgent + OnboardingAgent 之后，每个 Agent 只关注一件事，质量明显提升

这样一来，大模型不仅能回答通用问题，还能回答私有领域的问题，而且回答的内容有据可查，能大大减少“幻觉”现象。我写了一个简单的多模态测试，想让模型识别一张图片，结果发现不是所有模型都支持多模态（qwen-max就不支持），调用直接报错，所以实际项目中一定要先确认模型支持哪些功能。是一个非常重要的工具，它类似于 Python 里的 LangChain，专门为 Java 开发者设计，无需切换技术栈，即可

目前建档功能已经完成了主要闭环，但还有一些可以继续优化的地方：第一，管理端可以增加“原始回答”和“AI 结构化结果”的对照展示。这样可以更直观看出 AI 是否理解正确。第二，支持管理员手动修订档案。因为 AI 整理结果不一定百分百准确，如果管理员可以修改结构化字段和 Markdown，会更适合后续运营。第三，支持重新调用 AI 整理档案。后续如果优化了 prompt，可以基于已有原始问答重新生成档

上周同组同学做了项目框架和向量数据库的搭建等工作，得到了简单的小程序前端界面，我则是进行了“安诊用药”ai助手的管理员端前后端的编写。接下来介绍管理员端的后端功能开发过程的思考和进度。