LangGraph与Skills如何结合落地医疗场景探讨

摘要： LangGraph 是构建医疗AI混合架构（大模型+Skills+RAG）的理想框架，其图结构可清晰定义临床决策流程。通过节点分工（意图分类、规则执行、知识检索、数据获取、结果整合）和条件分支，实现精准路由与协同。优势包括：职责分离（Skills专注规则，大模型负责调度与整合）、流程可视化、安全可追溯（关键节点人工审核）。与医疗协作平台（MCP）结合时，LangGraph作为工作流引擎，M

mofijeck

1360人浏览 · 2026-01-07 14:50:23

mofijeck · 2026-01-07 14:50:23 发布

LangGraph 是实现这个混合架构的理想框架。

让我们用苏格拉底式的方法探讨如何用 LangGraph 落地：

第一问：为什么 LangGraph 特别适合这个场景？

1. 医疗决策的本质是什么？—— 一个有条件分支的工作流。
例如：

如果问“血糖危急值判断” → 走 Skills 路径（规则引擎）。
如果问“糖尿病最新治疗指南” → 走 RAG 路径（知识检索）。
如果问“这个患者该如何综合管理” → 需要多步骤协同（先查数据，再判断，再查指南，最后整合）。

LangGraph 的核心价值：将大模型作为“调度器”和“协调器”，用图结构定义清晰的决策流程，避免“绕晕”。

第二问：如何用 LangGraph 构建这个混合系统？

2. 想象一个“临床决策图”可能的样子：

# 伪代码示意
graph = StateGraph()
# 定义节点
graph.add_node("intent_classifier")  # 意图分类：大模型判断问题类型
graph.add_node("skill_executor")     # 执行 Skills（规则判断）
graph.add_node("rag_retriever")      # 执行 RAG（知识检索）
graph.add_node("data_fetcher")       # 通过 MCP 获取患者数据
graph.add_node("synthesizer")        # 大模型整合所有信息，生成回答

# 定义边（决策流）
graph.add_conditional_edges(
    "intent_classifier",
    # 根据意图路由到不同节点
    lambda state: "skill" if state["intent"] == "rule_based" else "rag"
)
graph.add_edge("skill_executor", "synthesizer")
graph.add_edge("rag_retriever", "synthesizer")
# 复杂场景：需要先取数据，再判断
graph.add_edge("data_fetcher", "skill_executor")

关键优势：流程可视化、可调试、状态可追踪。

第三问：LangGraph 如何解决“Skills 繁琐”和“大模型价值感”问题？

3. 通过清晰的职责分离：

Skills 只做一件事：接收结构化输入（如{"指标": "血小板", "值": 18}），返回规则结果。
大模型专注于：
1. 意图识别（分类到图的不同分支）
2. 参数提取（从自然语言中提取{"指标": "血小板"}）
3. 信息整合（将 Skill 结果、RAG 内容、患者背景综合成连贯回答）

这样，Skills 不再“繁琐”，大模型也不再是“传声筒”。

第四问：具体到医疗场景，LangGraph 如何保证安全性？

4. 医疗场景的核心安全需求：

可追溯性：每个决策步骤都被记录。
可干预性：关键节点可设置人工审核。
可验证性：每个结论都有依据（来自 Skill 规则或 RAG 引用）。

LangGraph 的实现方案：

# 在关键节点添加检查点
graph.add_node("safety_check", 
               lambda state: human_review_if_high_risk(state))
graph.add_edge("skill_executor", "safety_check")  # 高危结果需要人工确认
graph.add_edge("safety_check", "synthesizer")

第五问：LangGraph + MCP 如何协作？

5. MCP 作为“工具统一接入层”，LangGraph 作为“工作流引擎”：

用户问题
    ↓
LangGraph（工作流引擎）
    ↓
大模型节点（意图识别）
    ↓
    ┌───────────── 条件分支 ────────────┐
    ▼                                   ▼
[需要规则判断？]               [需要知识查询？]
    ↓                                   ↓
调用 MCP Client → Skill         调用 MCP Client → RAG
    ↓                                   ↓
返回结构化结果                 返回知识片段+引用
    ↓                                   ↓
    └───────────── 汇聚节点 ────────────┘
    ↓
大模型节点（整合生成）
    ↓
最终回答 + 证据链

MCP 负责标准化工具调用，LangGraph 负责编排复杂流程。