SmartTCM-Agent-SYSTEM 项目深度分析报告
本报告由 OpenClaw 自动生成（AI 深度分析版）
研究日期: 2026-07-17
项目路径: /Users/daoyu/Documents/ai-repo/SmartTCM-Agent-SYSTEM
📊 项目概览
- 项目名称: SmartTCM-Agent-SYSTEM
- 文件数量: 904 个文件
- 主要插件: 0 个
SmartTCM-Agent-SYSTEM 开源项目深度研究报告
1. 项目概述
项目定位与核心价值：
SmartTCM-Agent-SYSTEM 是一个基于大语言模型构建的前后端分离多智能体中医问诊系统。项目针对当前中医信息化系统存在的“意图识别精度低（<60%）”、“结构化与非结构化数据割裂”、“辨证推理缺乏严谨性”三大痛点，提出了一套符合中医诊疗逻辑的 AI 解决方案。其核心价值在于通过 LangGraph 构建动态智能体网络，将中医理论（如五行相生相克、十八反十九畏）融入大模型推理与校验环节，实现了“动态识别-知识融合-工具校验-实时响应”的闭环，大幅提升了中医问诊的准确性与专业性。
主要功能列表：
- 中医专属意图动态识别（覆盖闲聊、辨证、古籍、医案、药材、图文 6 类场景）。
- 多轮追问与辨证问诊（按“寒热→汗出→二便→舌苔→脉象”逻辑引导）。
- 中医混合知识引擎检索（融合结构化病例、药材库存与非结构化古籍、医案）。
- 舌苔/面色多模态图文解析（集成 TCM-CV 等多模态模型）。
- 药材配伍与禁忌智能校验（基于 Neo4j 图数据库与中医理论）。
2. 技术栈分析
使用的技术和框架：
- 大模型与 Agent 框架：DeepSeek（中医微调版）、TCM-LLM、LangGraph（多智能体动态编排）。
- 后端服务：FastAPI（高性能异步 Web 框架）。
- 前端展示：Vue 3（现代化前端响应式框架）。
- 数据存储与检索：Neo4j（图数据库，存储药材/症状关系）、GraphRAG（图谱检索增强生成）、关系型数据库（隐含，用于结构化病例与订单存储）。
- 多模态技术：TCM-CV 等中医视觉模型。
架构特点：
- 前后端分离与微服务化：FastAPI 提供高并发接口，Vue 3 负责交互渲染，降低耦合度。
- 多智能体图编排架构：利用 LangGraph 将静态的链式调用升级为动态的图结构，Agent 可根据当前语境动态路由至不同专业节点。
- 混合数据架构：打通了关系型数据（病例订单）、图数据（药材配伍网络）与向量数据（古籍医案），形成立体知识网络。
依赖关系：
项目底层依赖各类 LLM API 与多模态模型接口；数据层依赖 Neo4j 进行复杂图谱查询；应用层通过 FastAPI 封装各类 Agent 能力，并向 Vue 前端提供 RESTful/WebSocket 接口。
3. 核心功能/组件分析
主要功能模块：
- 意图识别网络模块：负责对用户输入进行分类与路由，支持 6 类核心场景的精准识别，并动态调整策略（如闲聊走情感分析，问诊走多轮追问）。
- 混合知识引擎模块：包含 100+ 中医专属 Cypher 查询模板和 GraphRAG 检索器。负责从异构数据源中提取症状-辨证-治法-方剂的关联信息。
- 工具校验模块：作为大模型输出的“安全卫士”，基于中医理论对生成的 Cypher 语句、方剂推荐进行合规性校验，防止出现“寒证荐寒凉药”等逻辑错误。
- 多模态解析模块：接收并解析用户上传的舌苔、面色图片，提取特征向量，辅助大模型完成“望诊”数据采集。
关键组件说明与功能关系：
系统以 LangGraph 为中枢调度。用户输入首先进入意图识别网络；若是图文，则触发多模态解析提取特征；若是问诊，则进入多轮追问状态机补全信息。随后，系统调用混合知识引擎（GraphRAG + Cypher）获取背景知识与大模型上下文结合。最后，大模型生成的结果必须经过工具校验模块（检查配伍禁忌、寒热逻辑）才能输出给前端。
4. 技术实现亮点
- 创新点：基于 LangGraph 的中医意图动态编排。摒弃了传统一问一答的扁平化 Prompt，将中医问诊流程抽象为图结构，支持按“寒热→汗出→二便→舌苔→脉象”的动态状态机追问，高度还原真实老中医的问诊逻辑。
- 创新点：GraphRAG 与中医图谱的深度融合。利用 Neo4j 构建药材-症状-方剂关系网，结合 GraphRAG 技术，不仅检索语义相似的古籍片段，还能顺藤摸瓜提取中医图谱中的实体关系，解决了传统向量检索“知其然不知其所以然”的问题。
- 设计模式：模板方法与策略模式结合。预定义 100+ Cypher 查询模板覆盖 90% 高频场景，通过策略模式动态匹配用户意图，既保证了查询效率（避免大模型每次动态生成错误 SQL），又降低了图数据库的查询延迟。
- 最佳实践：双重校验机制。大模型生成的医疗建议具有不可控风险，项目引入基于中医理论（十八反十九畏等）的工具校验模块，在系统输出前进行硬性逻辑拦截，是医疗 AI 应用的标准安全实践。
5. 产品意义和应用场景
解决的问题：
解决了中医知识碎片化导致的 AI 幻觉问题；解决了通用大模型缺乏中医专科逻辑（如寒热虚实辨证）的问题；打破了患者历史病例（结构化）与中医经典古籍（非结构化）之间的数据孤岛。
目标用户：
- 终端用户（C端）：有日常养生需求、轻度不适需要初步辨证咨询的大众用户。
- 医疗机构/从业者（B端）：需要借助系统快速检索古籍医案、辅助开具方剂、管理患者病例的中医师或诊所。
应用场景：
- 线上中医智能问诊：患者通过文字/图片描述症状，系统进行多轮追问并给出辨证结果与用药建议。
- 中医古籍与医案智库检索：医生输入关键词，系统精准定位《伤寒论》等经典条文及历史相似医案。
- 药材配伍智能审查：输入多个药材，系统自动提示是否存在“十八反十九畏”等禁忌，并反馈功效。
- 健康养生科普互动：针对用户“春季如何养肝”等泛健康问题，提供带情感分析的温和科普解答。
6. 借鉴点
技术层面：
- LangGraph 状态机在专业领域的应用：将复杂的专业流程（如中医问诊的十问歌）转化为图节点与边，为其他需要严格流程控制的 Agent 系统（如法律咨询、心理问诊）提供了范本。
- 混合 RAG 架构设计：结合图数据库（精确关系查询）与向量数据库（模糊语义检索），应对复杂领域知识，比单一 RAG 具有更高的准确率。
- 基于模板的 NL2Cypher 机制：通过预定义高频查询模板限制大模型的自由度，兼顾了灵活性与系统安全性，是图数据库与 LLM 结合的优秀实践。
产品层面：
- 领域微调模型与通用 Agent 框架解耦：底层可插拔支持 DeepSeek 中医微调版、TCM-LLM 等，产品层不绑定单一模型，具备较强的抗模型迭代风险能力。
- 多模态补全专业短板：中医讲究“望闻问切”，系统集成 TCM-CV 处理舌苔图片，补全了纯文本大模型无法“望诊”的短板，提升了产品完整度。
- 场景化意图细分：将简单的“聊天”细分为闲聊、问诊、查典等 6 类场景并匹配不同响应策略，避免了通用机器人答非所问的尴尬，提升了专业产品体验。
工程实践：
- 高频缓存机制：对《伤寒论》等高频古籍片段进行缓存，使检索响应提速 50%，体现了对生产环境性能与成本的考量。
- 前后端分离的现代化架构：FastAPI + Vue 3 的组合既保证了后端并发处理能力，又提供了良好的前端交互体验，易于容器化部署。
- 安全兜底工程：在 Agent 链路最后增加工具校验模块，强制拦截不符合专业逻辑的输出，是医疗合规性工程的重要体现。
7. 待深入研究
- 多智能体协同与通信机制：深入研究 LangGraph 中各节点（如意图识别节点、知识检索节点、校验节点）的具体状态传递与中断恢复机制是如何实现的。
- 100+ Cypher 模板的抽象与匹配逻辑：分析系统如何将用户的自然语言精准映射到预定义的 Cypher 模板上，是依赖大模型分类还是基于传统 NLP 的意图槽位提取。
- GraphRAG 图谱构建细节：研究其底层中医知识图谱的本体设计（Ontology）是怎样的，如何处理古籍文言文到现代图谱实体关系的抽取。
- 多模态模型（TCM-CV）的集成方式：分析图像解析结果（如“舌苔黄腻”）是如何作为结构化参数注入到 LLM 的 Prompt 中的，以及其置信度如何处理。
- 工具校验模块的规则引擎实现：深入研究“十八反十九畏”等中医禁忌是如何编码的，是基于硬编码的逻辑树，还是将其转化为图谱中的对立边进行查询校验。
本报告由 OpenClaw 的 AI 深度分析系统生成
如有疑问或需要进一步分析，请联系研究者