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: 2026-11-18
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: 932 个文件
- 主要插件: 0 个
SmartTCM-Agent-SYSTEM 深度分析报告
1. 项目概述
SmartTCM-Agent-SYSTEM 是一个基于大语言模型的多智能体中医问诊系统,采用前后端分离架构(FastAPI + Vue 3),核心编排引擎为 LangGraph,支持 DeepSeek(中医微调版)、TCM-LLM 等中医领域大模型。
核心价值:针对中医问诊场景的三大痛点——意图识别准确率低(<60%)、结构化/非结构化数据割裂、辨证推理缺乏严谨性(如“寒证荐寒凉药”的逻辑错误)——提供“动态识别 - 知识融合 - 工具校验 - 实时响应”四层解决方案。
主要功能:
- 6 类中医场景的意图识别与自适应响应(闲聊、辨证问诊、古籍检索、医案参考、药材咨询、图文/舌苔解析)
- 混合知识引擎:Neo4j 图数据库 + GraphRAG + 传统 RAG
- 100+ 中医专属 Cypher 查询模板
- 多模态舌苔/面色解析(TCM-CV)
- 方剂推荐与配伍校验(符合十八反十九畏等规范)
- 实时医疗服务接口集成
2. 技术栈分析
核心技术
| 层次 | 技术 |
|---|---|
| 前端 | Vue 3(932 个文件说明有较完整的前端工程) |
| 后端 | FastAPI(Python 异步 Web 框架) |
| 智能体编排 | LangGraph(状态机式多智能体编排) |
| 大模型 | DeepSeek(中医微调版)、TCM-LLM、多模态 TCM-CV |
| 知识存储 | Neo4j(图数据库)+ 向量库(GraphRAG 检索) |
| 检索增强 | GraphRAG + Cypher 模板查询 + 缓存机制 |
架构特点
- 四层架构:意图动态识别层 → 知识融合层 → 工具校验层 → 实时响应层,职责清晰、分层解耦
- 多智能体网络:LangGraph 基于图状态机编排智能体路由,各场景智能体可独立扩展
- 混合数据引擎:结构化(病例、药材、订单,走 Cypher)与非结构化(古籍、医案,走 RAG/GraphRAG)统一接入
- 模型可插拔:底层 LLM 抽象化,支持替换中医垂直模型
依赖关系
典型 RAG 链路:用户输入 → 意图识别(LLM/分类器)→ 路由到场景 Agent → 并行调用 Neo4j Cypher 模板 + GraphRAG 检索 + 多模态解析 → 工具校验层(配伍合法性、辨证逻辑)→ LLM 综合生成 → 前端流式响应。
3. 核心功能/组件分析
3.1 意图识别与路由网络(LangGraph)
- 覆盖 6 大场景,宣称识别准确率 90%+
- 各场景有独立适配策略:如辨证问诊采用“寒热→汗出→二便→舌苔→脉象”的多轮追问状态机;闲聊场景叠加情感分析调整语气
- LangGraph 的 StateGraph 天然适合此类“多轮追问 + 条件分支”流程
3.2 混合知识引擎
- 100+ Cypher 模板:预定义覆盖 90% 高频查询,如
(Symptom)-[:INDICATES]->(Syndrome)的症状→证型图谱查询,既保证查询效率又约束查询逻辑符合中医理论 - GraphRAG:关联“症状-辨证-治法”三元关系,用于医案语义匹配,优于纯向量检索(保留关系结构)
- 缓存优先机制:高频古籍片段(桂枝汤、麻黄汤条文等)缓存,响应提速 50%
3.3 工具校验模块
- 药材配伍校验:检查十八反十九畏等配伍禁忌
- 方剂推荐校验:确保证型与药性逻辑一致(防止寒证荐寒凉药)
- Cypher 查询校验:防止生成的查询语义漂移
3.4 多模态解析
- 舌苔/面色图片分析,接入 TCM-CV 类模型,输出颜色、厚薄等特征,作为辨证的补充证据输入主推理链
组件关系
意图路由是总入口 → 分发到各场景 Agent → 各 Agent 按需调用知识引擎(Cypher/RAG/多模态)→ 输出统一经过工具校验层把关 → 流式返回。校验层是横向切面,保证全场景合规性。
4. 技术实现亮点
- 领域化的意图识别策略:不做通用 NLU,而是为每类中医场景设计专属策略(多轮追问、缓存优先、知识关联、多模态),这是垂直 Agent 的正确做法
- Cypher 模板库而非 Text2Cypher 自由生成:用预定义模板规避 LLM 生成图查询的幻觉问题,同时模板本身编码了中医领域知识(INDICATES、配伍禁忌关系)
- GraphRAG 与传统 RAG 混合:医案检索用图结构(症状-证型-治法链路)保证推理路径可解释,古籍检索用缓存加速——按数据特性选择检索策略
- 工具校验层作为安全闸门:将领域规则(配伍禁忌)硬编码在工具层而非依赖 LLM 自觉,是医疗场景的关键工程实践
- “识别准确率提升至 90%+” 的量化目标导向:以可测量指标驱动 Agent 设计
5. 产品意义和应用场景
解决的问题:
- 中医爱好者/患者获取专业中医咨询的门槛高
- 现有通用 LLM 缺乏中医理论约束,回答易出现辨证错误
- 中医知识分散在古籍、医案、药材数据库中,缺乏整合入口
目标用户:
- C 端:注重养生的普通用户、慢病调理人群
- B 端:中医诊所(辅助问诊)、在线健康平台、中医教育机构
应用场景:
- 辨证问诊与方剂推荐辅助
- 中医古籍与医案检索研究
- 药材功效/禁忌/配伍咨询
- 舌苔自查辅助分析
- 季节性养生指导(如“春季养肝”)
6. 借鉴点
技术层面
- 场景化 Agent 策略设计:每个意图类别配独立响应策略(追问逻辑、缓存策略、检索方式),可复用于任何垂直领域 Agent
- 模板化图查询 + 领域图谱:用“预定义 Cypher 模板 + 知识图谱”替代 LLM 自由生成查询,兼顾准确性、性能与安全性
- 混合检索架构:按数据结构特性分流——结构化走图查询、非结构化走 RAG、关联性强的走 GraphRAG
- 领域规则硬校验层:将安全约束从 Prompt 下沉到工具层
产品层面
- 痛点驱动叙事:从“意图识别<60%、数据割裂、推理不严谨”三大具体痛点出发定义产品,而非泛泛做“AI+中医”
- 量化指标承诺(识别准确率 90%+、响应提速 50%)让产品价值可验证
- 全场景覆盖但单点深耕:6 类场景覆盖中医问诊全流程,每个场景有明确差异化体验
- 多模态贴近真实问诊流程:舌诊是中医“望闻问切”的核心环节,引入图片解析补齐了传统文本系统的短板
工程实践
- 前后端分离 + 流式架构(FastAPI + Vue 3),便于独立迭代与多端复用
- 模型可插拔抽象:底层 LLM 可替换,避免锁定单一供应商
- 缓存优先策略:高频知识片段缓存,控制 LLM/检索成本
- 模板库沉淀团队知识:100+ Cypher 模板是可复用资产,避免重复开发
7. 待深入研究
- 意图识别的实际实现:是纯 LLM 分类、微调小模型还是规则+模型混合?“90%+”的评估数据集与测试方法是什么?是否存在评测报告?
- LangGraph 的状态设计:多轮追问(辨证问诊)的 StateGraph 如何定义状态字段、何时结束追问、上下文如何压缩?
- 知识图谱构建流程:古籍和医案是如何抽取为 Neo4j 图谱的(实体/关系 Schema、抽取 Pipeline、数据规模)?
- 工具校验的具体规则来源与实现:十八反十九畏等规则是硬编码还是图谱查询?校验失败后的回退策略是什么?
- 多模态集成方式:TCM-CV 模型如何部署,舌苔特征如何结构化后注入 LLM 推理链?
- 合规与安全边界:医疗场景下如何声明“辅助诊断非处方”的免责边界?是否有对话安全兜底机制?
- 性能与成本:GraphRAG 检索链路的端到端延迟、token 成本、缓存命中率等实际生产数据。
- 932 个文件的工程结构:前后端代码比例、模块划分、测试覆盖率,值得从工程组织角度做代码级走读。—
📁 文件结构示例
1 | /Users/daoyu/Documents/ai-repo/SmartTCM-Agent-SYSTEM/.env_example |
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