在推进PediaMind研发过程中，为了让大模型具备专业的医学知识，我需要把这本近 500 页的巨著《儿科学》（人卫第九版）转换成纯净的 Markdown 格式，并灌入本地的RAG知识库。这对于大语言模型来说是完美的，因为它能100%地还原医学表格中那些复杂的“合并单元格”结构，为后续的精准检索打下了坚实基础。面对不影响核心目标的模块（如本事例中的数学公式识别），要果断在配置中禁用，不要陷入无意义

通过这一系列的开发，我深刻体会到架构设计中“高内聚、低耦合”的魅力，也验证了多智能体博弈在医疗问诊场景下的可行性，借助 LLM 自身强大的语言理解与生成能力，即便在没有引入RAG的情况下，系统依然展现出了令人满意的效果。接续个人博客2的展望，我的核心工作是将前期的Mock逻辑全面替换为基于真实大语言模型的智能体网络。这项工作是一个系统工程，涵盖了从底层的API封装、中层的Prompt编写，再到上层

从基类抽象、Mock 逻辑的严谨性推敲，再到最后工作流的无缝接入，通过一遍遍运行workflow测试程序，看着终端里日志严格按照我设定的重试逻辑精准跳跃，我深刻体会到了架构设计“高内聚、低耦合”的魅力。前端传来的数据是结构化的（如姓名、月龄、体温等 JSON 字段），而大模型的输入更倾向于自然语言上下文。在当前的 Mock 实现中，硬编码了“前两轮强制拒绝”的逻辑，以此来模拟复杂病情下，系统因为“

在当今数字医疗迅速发展的时代，大语言模型（LLM）正成为辅助医疗决策的新引擎。然而，在儿科这一特殊领域，家长往往面临医疗资源分布不均与医学知识匮乏带来的双重焦虑，例如“面对婴幼儿常见的“幼儿急疹”，家长因无法分辨热退疹出的自然病程，在孩子高烧时极度恐慌，短时间内频繁往返多家医院重复挂诊，不仅让患儿疲于奔命，也无形中加剧了儿科急诊的负荷。”，又或“可能认为孩子仅仅是“着凉感冒”引起的轻微发热而不以为