不绕弯子直接说。我做这个项目的时候第一反应是“中医舌诊也能上 AI 了”第二反应是“这玩意儿要是做成专家系统到底该怎么落地”今天这篇就把整套思路、技术链路和踩坑细节摊开聊。项目名字叫智慧中医医疗舌象诊疗专家系统核心干的事情很简单用 YOLO 把舌头从照片里抠出来再用 DeepSeek 这类大模型根据提取到的舌色、苔质、舌形特征结合中医理论输出专业诊断参考和建议。适合正在研究医疗 AI、计算机视觉和中医数字化的人或者想给自己的健康管理工具加一个“舌象分析”模块的开发团队参考。这套系统的价值在于它把传统中医里特别依赖经验和主观判断的环节变成了“图像特征提取 大模型推理”的标准化流水线。医生看舌象靠肉眼不同医生看同一张舌图可能给出不同结论换成 AI 系统后至少能保证“看到什么特征、基于什么理论、得出什么结论”这条链路是可追踪、可复现的。当然它不能替代医生只能作为辅助工具。下面从方案设计到具体实现一步步拆给你看。1. 整体方案拆解为什么是 YOLO DeepSeek1.1 从“看舌头”到“算舌头”这条链路解决了什么问题中医舌诊的历史很长望闻问切里“望”排第一位舌头又是人体健康状况很直观的窗口。舌质反映气血津液的盛衰舌苔反映胃气和邪气的进退舌形反映脏腑功能状态。过去这套判断完全依赖医生的肉眼和经验问题在于主观性强难以量化年轻医生不容易积累经验远程医疗场景下医生看不到病人舌头更谈不上诊断。如果把这套判断逻辑搬到计算机里就需要先解决“能不能看到”和“能不能看懂”两个问题。看到靠摄像头和图像采集看懂靠两个层次的算法——底层计算机视觉负责识别舌体、分割区域、提取颜色和纹理特征上层推理引擎负责把特征翻译成中医语言给出证候倾向和生活调理建议。所以这个项目选择了 YOLO 负责图像层面的定位与分割DeepSeek 负责语义层面的辨证与建议生成各管一段边界清楚。这种分工的好处是模块解耦。视觉模块输出的是一堆结构化特征比如“舌色偏红、苔色黄、苔质厚腻”这些特征可以单独验证也可以用于其他系统推理模块不需要关心图像本身只拿特征说话。如果哪天发现 YOLO 识别率不够单独换模型就行不用动整个系统如果哪天真理解了更准的中医辨证逻辑也只改提示词和后处理不用重新训练模型。1.2 双引擎任务分配检测模型与大语言模型各自该干什么在项目初期我调研过两类替换方案。一类是端到端的分类模型直接用 CNN 对整张舌图做“气虚”“湿热”“血瘀”之类的标签分类不做中间特征提取。这种方式的缺点很明显可解释性差医生不信任而且中医分型本身存在交叉强行让模型输出单一标签本身就是错误建模。另一类是纯规则系统把颜色阈值和舌苔厚度映射到建议库实现是简单但碰上复杂的复合证型就完全没法处理也缺少对话能力。所以最终选用了两段式架构。YOLO 干的活是检测舌头在图像中的位置得到边界框进一步做语义分割把舌头区域和嘴唇、牙齿、面部皮肤等背景分离开。分割后的区域交给图像处理模块提取舌色、苔色、裂纹、齿痕等特征。DeepSeek 干的活是接收这些特征加上用户输入的伴随症状和生活习惯在提示词的约束下完成辨证分析输出证型倾向、体质判断、日常调理建议和饮食起居宜忌。这里有个容易被忽略的思路大模型不是直接看图片而是读取“特征文本”。为什么不用多模态模型直接看图主要原因有两个。一是可控性直接让模型读图模型可能观察到你没训练过的噪声特征比如把嘴唇颜色当成舌色或者因为照片阴影变化得出错误结论。先让 YOLO 把特征提取出来等于给模型设定了严格的观察范围。二是成本多模态接口拿高分辨率舌图做推理费用比纯文本接口高不少在面向 C 端用户、频次较高的场景下不划算。1.3 适用场景与目标用户这个系统的定位不是取代中医师而是做辅助工具和科普教育工具。第一类场景是基层医疗机构的信息化建设比如社区卫生服务中心、中医馆医生可以拿它作为初筛参考提高看诊效率。第二类是健康管理类 App 内容功能的补充用户拍舌头照片系统生成体质分析和饮食建议提醒用户适时去医院进一步检查。第三类是中医教学辅助学员可以通过系统对比不同舌象特征和对应的证型判断加快经验积累。需要强调一点无论哪种场景输出的内容都必须明确标注“仅供参考不构成医疗诊断”。中医辨证讲究“四诊合参”舌头只是其中一个维度光靠舌象就开方是不负责任的。所以在系统设计阶段就必须把医疗安全的边界写进产品逻辑。2. 舌象数据集的准备与预处理细节2.1 拍摄标准让数据从源头就“干净”做图像识别的都知道一句话垃圾进垃圾出。舌象识别对图像质量要求特别高因为颜色的细微差别就代表不同的身体状态。如果用户随手在昏暗灯光下拍一张舌头照片YOLO 再厉害也白搭。所以我在设计采集流程时把用户端的拍摄引导做得很重。要求用户尽量在自然光或白光环境下拍摄避免暖黄光和混合光嘴巴张大舌头自然伸出舌尖轻微下压舌头不要用力卷起摄像头与舌头保持垂直角度不要从侧面拍尽量去掉口红、唇彩、食物残渣等干扰物。在实际测试中最影响识别结果的因素其实是色温。同一个舌头在白炽灯底下偏黄在 LED 灯底下偏蓝如果系统不处理色温差异后面所有的颜色判断都会失真。所以我们在采集端推荐开启手机的白平衡校准并且在中后端做颜色校正用标准色卡或者皮肤颜色作参考系进行色偏补偿。2.2 数据标注体系舌体、舌质、舌苔分开标数据标注是整个项目里最费人力的环节。刚开始我犯过一个错误只标了舌体的矩形框想着后面用颜色阈值直接切分就行了。结果发现舌体形状不规则矩形框里总会带上嘴唇或者牙齿的边后续特征提取全被污染。后来改成两阶段标注先用多边形标注舌头轮廓用于语义分割再做像素级的舌质与舌苔分类标注用于训练舌苔覆盖区域的识别模型。标注体系参考了《中医诊断学》里关于舌诊的内容框架。舌质方面标注舌色、舌形、舌态舌苔方面标注苔色、苔质、苔的有无与分布情况。例如舌色分淡白、淡红、红、绛、紫、青苔色分白、黄、灰、黑苔质分薄、厚、腻、腐、润、燥。每个类别都预留了“其他”选项方便处理边缘情况。这些标签不是给 YOLO 用的而是给特征提取阶段做参考标准最终实际上线时很多类别会合并因为图像算法很难区分那么细。几十万张专业舌象图片通常要靠医院合作获得个人开发者搞不到那么多资源。我当时的做法是联合了某高校和两家合作机构用脱敏后的历史舌象数据做了初版训练集再配合公开可获取的少量舌象图片和自采数据进行补充。标注工具用的某开源图片标注工具导出 COCO 格式后再转成 YOLO 训练格式。标注时特别注意舌头轮廓的连续性遇到舌尖、舌边、舌根都要标得完整否则后面分割出来的图像边缘会有缺损。2.3 数据增强别把真实场景“增强歪了”数据增强是目标检测训练里常规操作但舌象有自己的特殊性。做随机翻转、旋转、缩放这些几何增强没问题但颜色增强要非常小心。舌色本身就是要诊断的信息你如果把红色通道随机调深调浅模型学到的东西就失真了。我处理的方式是把颜色增强控制在很小的幅度内主要模拟不同色温下的轻微偏移而不是大幅改变色彩。另外还做了三类专门的增强操作模拟低光噪声、模拟轻微运动模糊、模拟舌头与嘴唇的局部重叠遮挡。前两类是为了应对用户拍糊的情况第三类是为了让模型学会区分舌体和嘴唇边界。数据集的划分也要讲策略。同一个人的多张照片不要同时出现在训练集和验证集里否则模型记住了这个人验证分数虚高换一个陌生人就崩。我在划分时按“人”为单位分组同一人的所有图片放到同一个集合里这样才能评估模型真正的泛化能力。3. 核心特征提取与 YOLO 模型训练要领3.1 模型选型小模型先用起来再谈精度YOLO 发展到现在已经有多个版本我建议从 YOLOv8 入手它在工程化、部署生态和文档上都相对成熟。舌体检测本身不算特别难的目标属于大目标、高对比度场景所以不需要用超大模型。我当时对比过 YOLOv8n、YOLOv8s 和 YOLOv8m 三个参数量级在差不多的训练轮数下n 和 s 的大小差异不算太大但推理速度差得很明显。最终选了 YOLOv8n 做检测再加一个轻量分割头做舌体分割想要精确分割时用 s 版本。训练 YOLO 时输入尺寸我选的是 640×640这个分辨率下检测速度稳定也足够覆盖舌体。如果你希望裂纹、齿痕这些细节更清楚可以试 1280×1280但显存占用和推理时间都会成倍上涨。我的建议是检测阶段用 640特征提取阶段单独对分割出的舌体区域做高分辨率裁剪这样既保证了速度又不牺牲细节。训练过程中值得注意的几个超参数初始学习率设置在 0.01 左右使用 SGD 优化器配合余弦退火调度batch size 根据显存来定能大尽量大epoch 设置在 150 到 200 之间配合早停策略防止过拟合。预训练权重建议使用 COCO 预训练模型虽然舌体不是 COCO 的类别但预训练特征迁移的效果通常比随机初始化要好。3.2 分割后的颜色特征别直接平均像素YOLO 检测得到舌头边界框后下一步是从舌头区域提取颜色特征。很多人直接对舌头区域的所有像素取平均 RGB 值然后判断颜色这个方法看着简单实际很容易出问题。因为舌头上本来就有不同颜色的区域舌尖偏红、舌根偏淡舌苔覆盖区域的颜色跟舌质也不一样直接平均会把信息抹平。正确的做法是先做颜色空间转换然后在 HSV 空间里统计颜色分布。HSV 空间把色调、饱和度、亮度分开了对颜色描述更符合人的感知。我把舌体区域像素映射到 HSV 后统计出色调分布直方图、饱和度均值、亮度均值再按照先验范围做分类。比如舌色偏红多半是 H 值在某个区间、S 值较高舌色偏淡白多半是 S 值和 V 值都偏低。这里的阈值不是拍脑袋定的而是从标注数据里统计出来的。更关键的是苔质判断。舌苔厚度、腻度这类特征单靠颜色很难表达我引入了纹理特征。用局部二值模式LBP统计舌面的纹理粗糙度舌苔厚腻的纹理分布和正常薄白苔有明显差异。另外用牙齿印记作为辅助特征如果舌体边缘出现锯齿状凹陷说明可能有齿痕舌倾向。这些特征都量化成数值方便后续喂给大模型。3.3 从视觉特征到结构化字典大模型需要的是类似文本的特征输入所以我设计了一套结构化字典把视觉模块的输出统一成 JSON。格式大致如下{ tongue_detected: true, tongue_color: red, tongue_color_confidence: 0.87, fur_color: yellow, fur_thickness: thick, fur_texture: greasy, moisture: wet, tooth_mark: true, crack: false, tongue_shape: normal, color_temp_note: slight_warm, image_quality_score: 0.82, warnings: [low_light] }这个字典有几个设计意图。置信度字段非常重要如果模型对舌色的判断只有 0.5 的概率那这个特征往下游传递时就应该打折扣甚至直接标注“不确定”。图像质量评分用于提示用户重新拍摄。色温备注用于提醒大模型“这个图像可能有轻微偏暖请谨慎判断颜色”。这样一份结构化特征是大模型可靠推理的基础。没有这个中间层直接给大模型一张图或者一堆像素模型连从哪里开始分析都不知道。4. 用 DeepSeek 完成中医辨证与建议生成4.1 提示词工程让大模型“懂”中医的边界和话术大模型本身有很强的语言理解和生成能力但中医领域的专业推理不是它的原生强项。它可能知道很多中医术语但缺少临床约束。所以提示词设计就成了这个项目里投入产出比最高的一环。我把提示词拆成几个严格的组成部分。第一是角色定义告诉模型“你是一位擅长舌诊的中医辅助分析助手你的任务是根据给定的舌象特征和用户描述输出辨证参考”。第二是输入格式明确告知模型接收的 JSON 特征和用户自述症状。第三是分析步骤要求模型先描述核心舌象特征再结合症状推断可能的中医证候最后给出调理建议。第四是输出约束包括“只使用中医理论术语”“不得给出具体药物剂量”“必须标注仅供参考”“不得断言某种疾病”。给一个简化的参考你是舌诊辅助分析助手。请基于以下舌象特征 舌色{tongue_color}苔色{fur_color}苔质{fur_texture}湿润度{moisture}齿痕{tooth_mark} 以及用户自述{symptoms} 完成以下输出 1. 简要描述舌象特征。 2. 根据中医理论给出证候倾向分析如涉及八纲辨证、气血津液辨证、脏腑辨证请用简要语言解释。 3. 给出生活调理建议包括饮食、作息、情志方面。 4. 强调以上内容仅供健康参考不构成医疗诊断建议线下就医。这个提示词模板看起来简单实际调试的时候我迭代了几十版。有个经验不要在一开始就让模型输出“诊断结果”而是先让它复述特征再分析再给建议。因为在思维链上建立逻辑顺序能显著减少胡编乱造的情况。4.2 结构化建议输出统一格式的利与弊为了让系统输出稳定我要求大模型按照固定格式返回结果。字段包括舌象表现描述、证候倾向、体质类型、饮食宜忌、生活起居建议、就医提示。这么做的好处是前端可以统一渲染用户看到的内容是结构化的干净整洁。如果是自由文本模型一会儿写一段话一会儿分点整个界面就会很乱。不过结构化输出也有副作用模型可能在字段里填充一些“看起来对但实际没依据”的内容。比如“体质类型”字段模型可能会写“湿热质”“气虚质”之类的词但它并没有真正做严格的体质辨识可能只是根据舌色发红就瞎写。我的解决办法是在提示词里加了一句“如果没有足够依据请在对应字段注明‘信息不足建议进一步咨询中医师’”。这样就把模型的判断不确定性和无奈感表达出来用户也能够正确理解。另外一个细节是建议生成的时候区分“通用建议”和“针对性建议”。比如舌苔厚腻通用建议是少吃油腻、甜食舌色淡白通用建议是注意保暖、适当运动。针对性建议则要根据用户自述症状来定。这样输出的建议既稳定又不显空洞。4.3 多轮对话与追问让系统从“单次拍照”走向“持续健康管理”这个系统如果只做单次拍照出报告价值有限。我更看好的是结合历史记录做纵向对比。用户在不同日期拍下舌象照片系统把每次的结构化特征存入数据库大模型在分析时可以把历史数据带进来看舌象特征在最近几周内有没有明显变化。比如舌苔从“白厚腻”变成“薄白”说明脾胃运化功能可能正在恢复舌色从“红”变成“淡红”说明体内热象在减退。这种时序变化信息比单次快照有价值得多。当前版本已经支持在提示词里附加近三次记录的特征摘要让模型有上下文。但在具体实现时要小心大模型对时间序列的推理能力有限它容易夸大地解读微小变化。所以我给模型限定了一个原则只描述趋势不做绝对判断比如“色泽由红转为淡红提示热象可能有所减轻”。除了历史记录用户自述症状也是重要输入。用户可能填“最近总感觉乏力、口苦、大便黏腻”这些信息结合舌象特征辨证的准确度会高很多。所以建议在系统里增加一个问卷页在拍摄舌象之前让用户选择最近一两周的症状比如乏力、失眠、口干、口苦、食欲不振、便秘或者便溏等。这些信息会成为大模型推理的重要辅助特征。5. 实操流程与关键实现示例5.1 从拍摄到建议系统的完整运行链路用户打开小程序或者应用进入舌象检测页面。页面会展示拍摄引导动画提示用户自然张口、舌头伸出、光线充足。拍照后前端把图片上传到后端服务后端先把图片送入 YOLO 检测模型判断图像中是否存在舌头目标。如果没检测到舌头直接返回“未检测到清晰舌体请重新拍摄”。如果检测到了把舌体区域裁剪出来再送入分割模型分割出精细的舌体轮廓。接着图像处理模块对分割出的舌体区域提取颜色、纹理、形状特征生成 3.3 节提到的 JSON 字典。后端再把这份字典和用户填写的症状信息拼装成提示词模板调用 DeepSeek 接口。大模型返回结果后后端做一层校验检查返回格式是否规范证候分析是否包含了“建议就医”的相关表述如果不符合就重新调用一次或者走降级文案。最后把结果写入数据库生成带时间戳的舌象报告前端展示给用户。链路看着不复杂但每一环都可能出问题。图像检测失败了可以重拍颜色提取不准可以调阈值大模型返回格式乱了可以重试真正难处理的是隐藏的语义错误模型一本正经地胡说八道所以校验层和提示词约束特别重要。5.2 关键技术实现代码示例用 Python 做一个简化版流程示意让你直观看到各模块是怎么接起来的。import cv2 import json import numpy as np from ultralytics import YOLO from openai import OpenAI # 模型加载 det_model YOLO(tongue_detect.pt) seg_model YOLO(tongue_segment.pt) client OpenAI( api_keyyour_deepseek_api_key, base_urlhttps://your_deepseek_api_endpoint ) def extract_tongue_features(image_path): img cv2.imread(image_path) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 1. 检测舌头边界框 results det_model(img_rgb, conf0.5) if not results or len(results[0].boxes) 0: return {tongue_detected: False} box results[0].boxes.xyxy[0].cpu().numpy().astype(int) x1, y1, x2, y2 box tongue_crop img_rgb[y1:y2, x1:x2] # 2. 分割舌体区域取mask seg_result seg_model(tongue_crop)[0] mask seg_result.masks.data[0].cpu().numpy().astype(np.uint8) mask cv2.resize(mask, (tongue_crop.shape[1], tongue_crop.shape[0])) masked_pixels tongue_crop[mask 1] # 3. 在HSV空间统计颜色特征 hsv cv2.cvtColor(np.array([masked_pixels], dtypenp.uint8).reshape(1, -1, 3), cv2.COLOR_RGB2HSV) h, s, v hsv[0][:, 0], hsv[0][:, 1], hsv[0][:, 2] h_mean, s_mean, v_mean np.mean(h), np.mean(s), np.mean(v) # 4. 依据阈值划分舌色 if s_mean 35 and v_mean 160: tongue_color pale_white elif h_mean 170 and s_mean 80: tongue_color red else: tongue_color pale_red return { tongue_detected: True, tongue_color: tongue_color, color_h_value: round(float(h_mean), 2), color_s_value: round(float(s_mean), 2), color_v_value: round(float(v_mean), 2), image_quality_score: 0.8 } def build_prompt(features, user_symptoms): return f 你是舌诊辅助分析助手。 当前舌象特征{json.dumps(features, ensure_asciiFalse)} 用户自述症状{user_symptoms} 请根据中医理论给出分析建议。 def run_pipeline(image_path, user_symptoms): features extract_tongue_features(image_path) if not features.get(tongue_detected): return {error: 未检测到清晰舌体请重新拍摄} prompt build_prompt(features, user_symptoms) resp client.chat.completions.create( modeldeepseek-chat, messages[{role: user, content: prompt}], temperature0.2 ) return {features: features, advice: resp.choices[0].message.content}这段代码是项目初期的简化版实际部署时还需要加日志、限流、超时处理、多线程或异步任务队列用户体验上也要考虑等待提示。温度调低到 0.2 的原因很直接我们希望中医建议稳定可复现而不是每调一次接口换一套说辞。用户要的不是文采是可信度。5.3 医生复核和人机协作机制纯 AI 输出不靠谱所以正式系统里一定要加人工复核环节。我的设计是在“AI 自动报告”和“线下医生诊断”之间加一道“执业医师复核”功能。运行模式有两种一是辅助模式系统自动生成报告医生一键审核修改完再发给用户二是义诊模式系统先出草稿医生完全重写。前者能显著降低医生工作量后者更适合远程问诊场景。日志记录也很重要。每次诊断请求、系统输出、用户反馈都要留存这样一方面可以做后续效果分析另一方面也是医疗安全合规的需要。如果某条建议出了问题能够追溯到具体是哪一次调用、哪一份特征字典、哪一版提示词产生的而不是模糊一片。我在系统中给每次请求都生成了唯一 ID并存入特征快照这个习惯建议所有做医疗 AI 的项目从一开始就养成。6. 常见问题与故障排查实录6.1 舌头检测不到或检测框偏移真实使用中这种情况比重最高。最常见的原因有三个一是用户照片光线太暗舌头和下颌阴影混在一起边缘模糊二是用户伸舌姿势不对舌体卷曲或者顶住上颚形态变形三是嘴唇和舌头的颜色太接近在分割时容易把嘴唇划进来。排查方式是先看置信度分数。如果模型对某个目标的置信度低于 0.3 还输出了框大概率是错误检测。我的做法是对置信度做两档处理高于 0.6 直接使用低于 0.6 且高于 0.4 时提示用户“图像质量偏低建议重新拍摄”低于 0.4 直接返回失败。这样宁可让用户重拍也不要拿着模糊结果去生成错误报告。6.2 颜色偏色严重导致舌色判断错误不同手机摄像头、不同环境光线拍出来的舌图颜色差异很大。同一个舌头在暖光下可能被识别为“红舌”在白光下识别为“淡红舌”。这个问题非常难根除我在实操中用了三层防护拍摄界面做白平衡引导标注提示让用户“确保屏幕上的肤色看起来自然”后端对全图做一个基于皮肤参考点的颜色校正提取特征时提高饱和度阈值判断的容错率不要因为一点偏色就跨类别判断。即使这样极端环境下还是可能误判。所以系统输出的报告里对舌色判断置信度低于 0.75 的情况都额外加上一句“本次舌色判断可能受到拍摄环境影响仅供初步参考”。6.3 大模型“一本正经地胡说八道”这是用大模型做医疗场景最头疼的问题。DeepSeek 本身能力很强但如果你让它自由发挥它可能编出“肝气郁结化火”这类看起来专业但证据不足的结论甚至套上不存在的方剂名。我踩过这个坑后来总结出三条对策第一条提示词里面明确要求“严格基于给定特征进行分析”禁止引入特征字典之外的信息。第二条输出格式强约束只允许在预定义字段内填写内容不给模型自由发挥的空间。第三条也是最重要的加入“不确定则承认不确定”的指令比如“如果舌象特征不足以支持任何证候判断请明确回答‘信息不足’”。这三条叠加后模型的幻觉率明显降低尽管偶尔还是会出现过度延伸但至少不会出现离谱的结论了。6.4 系统在低配置设备上的运行性能问题如果你打算把系统部署到本地或者给用户做移动端体验性能就是一个绕不开的坎。YOLOv8n 在 CPU 上跑一张图大概几百毫秒加上分割模型和颜色特征提取整体要在 1 到 2 秒内完成还有点紧张。如果网络再不行调用大模型接口又等上两三秒用户体验就很差了。优化方案有几条。模型量化能压缩体积和加速推理用 TensorRT 或 ONNX Runtime 导出推理接口层面加入缓存同一个用户、在短时间内重复请求时直接返回上一次结果前端显示上用“排队中”之类的状态过渡缓解等待焦虑。由于 DeepSeek 接口本身时延较高我建议不要做纯同步请求改成后端异步任务先快速返回一个“任务已提交”等推理完成后再推送报告。6.5 医疗安全、隐私保护与合规建议中医 AI 系统绕不开一个核心底线它不是医疗器械尤其在没有获得相关资质前不能声称自己可以诊断疾病。我建议在任何面向用户的产品说明、报告页脚都明确写清楚“本系统输出的所有内容仅供健康管理和科普参考不构成医疗诊断依据如身体不适请前往正规医疗机构就诊”。同时保留用户知情同意的选项在首次使用前弹出隐私说明。舌象照片属于个人信息中非常敏感的生物识别信息和指纹、人脸同级别。图像传输必须走 HTTPS存储要做访问控制数据库中不要把用户 ID 和舌象照片明文存放在一起。模型训练阶段如果要使用真实用户数据必须做匿名化处理。这个红线不需要提醒你一百遍出了事就是大事。常见问题速查表问题表现可能原因处理建议检测不到舌头光线不足、舌头卷曲、遮挡重拍改善光照调整伸舌姿势检测框偏到嘴唇唇色与舌色接近模型未区分增加唇部数据增强提升分割模型精度舌色误判色温偏暖或偏冷白平衡校正降低颜色类别细分粒度苔质判断不稳定纹理特征受分辨率影响大统一预处理分辨率使用高分辨率裁剪大模型输出格式乱提示词约束不足增加输出字段模板加入后处理校验建议内容过泛用户症状信息太少增加问卷页补充生活方式信息接口请求超时大模型服务端排队严重引入异步任务队列设置合理超时时间用户质疑报告准确性医疗边界未表达清楚强化免责声明提供医生复核入口结尾几个真实的经验教训项目从零到落地给我最深的体会是AI 系统里最难的往往不是 AI 本身而是把真实世界的噪声处理好。舌象诊疗尤其如此人的舌头长得千奇百怪拍摄环境千变万化大模型又天生带着“想给你一个答案”的冲动你要做的不是让它更聪明而是让它更克制。最后分享一个很实用的经验提示词不是一次写对就完事的要有版本管理意识。每次修改提示词都要像改代码一样记录版本号跑一批固定测试用例对比输出差异。我自己维护了一组 20 张典型舌象测试图连同对应的期望输出一起组成回归测试集任何提示词改动都要先过这组用例。这样做能帮你快速捕获大模型“因为一句提示词调整而变笨”的情况。这套系统目前还只是辅助工具距离“专家系统”这个名称还有距离。中医讲究辨证论治舌象只是其中一扇窗口后续如果能把脉象数据、问诊信息融合进来做成多模态的健康管理闭环那才是真正称得上“智慧中医”。这一路踩坑不少但方向值得希望这篇分享能帮你少走几步弯路。
