# 医疗问答智能体

**Repository Path**: deepeng/ai-medical-agent

## Basic Information

- **Project Name**: 医疗问答智能体
- **Description**: 基于 langchain +RAG+ 本地模型（ollama、vllm）的医疗问答agent demo工程，便于学习
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 2
- **Created**: 2025-09-02
- **Last Updated**: 2026-04-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 医疗AI智能体

<div align="center">
  <img src="https://img.shields.io/badge/python-3.8+-blue.svg" alt="Python Version">
  <img src="https://img.shields.io/badge/LangChain-0.2+-green.svg" alt="LangChain Version">
  <img src="https://img.shields.io/badge/FastAPI-0.100+-red.svg" alt="FastAPI Version">
  <img src="https://img.shields.io/badge/LangGraph-0.1+-purple.svg" alt="LangGraph Version">
  <img src="https://img.shields.io/badge/license-MIT-yellow.svg" alt="License">
</div>

## 📋 项目简介

一个基于LangChain和LangGraph构建的医疗智能体系统，提供灵活的多后端实现方案，包括本地Ollama、本地VLLM、远程API（如OpenAI、通义千问）和生成式智能体。系统集成了医疗知识库检索、症状提取、严重程度评估等功能，通过统一的RESTful API接口提供服务。

## ✨ 功能特性

- **多后端支持**
  - 本地Ollama模型（适合个人电脑运行）
  - 本地VLLM模型（支持高性能部署）
  - 远程API调用（OpenAI、通义千问等）
  - 生成式智能体（支持多种内容生成模式）

- **智能体能力**
  - 基于LangGraph的智能体架构，支持工具调用
  - 医疗知识库检索与知识问答
  - 症状提取和严重程度评估
  - 网络搜索功能（获取最新医疗信息）

- **系统功能**
  - 统一的配置管理系统
  - 完整的RESTful API接口
  - 交互式命令行界面
  - 多种医疗内容生成模式
    - general_info：基础医疗知识
    - detailed_explanation：专业医学解释
    - patient_education：患者教育内容
    - medical_case：医疗案例分析

## 📁 目录结构

```
├── .gitignore            # Git忽略文件配置
├── .env.example          # 环境变量示例文件
├── README.md             # 项目说明文档
├── config/               # 配置文件目录
│   └── config.json       # 主配置文件
├── data/                 # 知识库数据目录
├── hengline/             # 核心代码目录
│   ├── agent/            # 智能体相关代码
│   │   ├── api/          # 远程API智能体实现 (OpenAI、通义千问)
│   │   ├── ollama/       # Ollama智能体实现
│   │   ├── vllm/         # VLLM智能体实现
│   │   ├── base_agent.py # 智能体基类
│   │   └── medical_agent.py # 智能体统一入口
│   ├── api/              # API接口实现
│   │   ├── api_app.py    # FastAPI应用入口
│   │   ├── medical_api.py # 医疗API接口
│   │   └── medical_model.py # API数据模型
│   ├── config.py         # 配置读取器
│   ├── demo/             # 演示脚本
│   ├── logger.py         # 日志模块
│   └── tools/            # 医疗相关工具
├── requirements.txt      # 项目依赖清单
├── run_medical.py        # API服务启动脚本
└── utils/                # 工具函数
```

## 🚀 安装指南

### 1. 克隆项目代码

```bash
git clone https://github.com/yourusername/ai-medical-agent.git
cd ai-medical-agent
```

### 2. 安装依赖

```bash
# 使用pip安装项目依赖
pip install -r requirements.txt

# 对于开发环境，建议创建虚拟环境
python -m venv venv
# Windows激活虚拟环境
source venv/Scripts/activate
# Linux/Mac激活虚拟环境
source venv/bin/activate
```

### 3. 配置环境

#### 3.1 环境变量配置

复制示例环境文件并根据需要修改：

```bash
cp .env.example .env
```

在 `.env` 文件中设置必要的环境变量：

```env
# API密钥（如使用远程API智能体）
OPENAI_API_KEY=your_openai_api_key
TONGYI_API_KEY=your_tongyi_api_key

# 其他环境变量
```

#### 3.2 配置文件修改

根据需要修改 `config/config.json` 文件中的配置项，包括：

- 默认LLM设置
- 各模型的配置参数
- 知识库配置
- 检索链配置

#### 3.3 后端环境准备

- **Ollama智能体**：需要先安装并启动Ollama服务
- **VLLM智能体**：需要准备好本地模型文件并配置路径
- **远程API智能体**：需要配置有效的API密钥

### 4. 准备知识库

确保知识库目录存在并添加医疗知识文档：

```bash
mkdir -p data
# 添加示例知识文档
echo "高血压是一种常见的慢性疾病..." > data/hypertension_knowledge.txt
```

## 🖥️ 使用方法

### 1. 命令行交互模式

#### 1.1 通过统一入口使用

通过统一入口文件，可以方便地选择使用哪种类型的智能体：

```bash
# 使用Ollama智能体（默认）
python hengline/agent/medical_agent.py

# 使用VLLM智能体
python hengline/agent/medical_agent.py --type vllm

# 使用OpenAI API智能体
python hengline/agent/medical_agent.py --type openai

# 使用通义千问API智能体
python hengline/agent/medical_agent.py --type qwen
```

#### 1.2 单独使用各智能体

也可以直接运行各智能体的实现文件：

```bash
# 运行Ollama智能体
python hengline/agent/ollama/ollama_medical_agent.py

# 运行VLLM智能体
python hengline/agent/vllm/vllm_medical_agent.py

# 运行OpenAI API智能体
python hengline/agent/api/api_openai_medical_agent.py

# 运行通义千问API智能体
python hengline/agent/api/api_qwen_medical_agent.py
```

### 2. 启动API服务

```bash
# 启动默认Ollama类型的API服务
python run_medical.py

# 指定智能体类型启动API服务
python run_medical.py --type ollama
python run_medical.py --type vllm
python run_medical.py --type openai
python run_medical.py --type qwen

# 自定义主机和端口
python run_medical.py --host 0.0.0.0 --port 8080

# 开发模式下启用自动重载
python run_medical.py --reload
```

API文档地址：http://localhost:8000/docs

### 2.1 API端点说明

| 方法 | 端点 | 描述 |
|------|------|------|
| GET | /api/health | 健康检查（检查API和智能体的运行状态） |
| PUT | /api/config | 更新LLM配置（修改当前使用的LLM参数） |
| POST | /api/query | 查询医疗智能体（向医疗智能体发送问题并获取回答） |
| POST | /api/generate | 生成医疗内容（生成指定主题的医疗内容） |

## ⚙️ 配置说明

配置文件位于 `config/config.json`，采用JSON格式，主要包含以下配置项：

### 1. 默认LLM设置

```json
"default_llm": "ollama"  // 默认使用的LLM类型，可以是 ollama, vllm, openai, qwen
```

### 2. LLM配置

所有模型类型的配置统一组织在`llm`对象下：

#### 2.1 Ollama配置

```json
"ollama": {
    "model_name": "llama3.2",       // Ollama模型名称
    "base_url": "http://localhost:11434",  // Ollama服务地址
    "timeout": 300,                 // 超时时间
    "temperature": 0.1,             // 生成温度
    "keep_alive": 300,              // 保持连接时间
    "top_p": 0.95,                  // 采样参数
    "max_tokens": 1024              // 最大生成令牌数
}
```

#### 2.2 VLLM配置

```json
"vllm": {
    "model": "E:\\AI\\models\\vllm\\gpt2",  // 本地模型路径
    "temperature": 0.1,             // 生成温度
    "max_tokens": 1024,             // 最大生成令牌数
    "top_p": 0.95,                  // 采样参数
    "vllm_kwargs": {
        "device": "cpu",           // 运行设备
        "max_model_len": 4096,      // 最大模型长度
        "trust_remote_code": true,  // 信任远程代码
        "dtype": "auto",           // 数据类型
        "disable_log_requests": true,  // 禁用请求日志
        "disable_log_stats": false  // 启用统计日志
    },
    "embeddings": {
        "model_name": "E:\\AI\\models\\vllm\\bge-small-zh",  // 嵌入模型路径
        "model_kwargs": {
            "device": "cpu"
        },
        "encode_kwargs": {
            "normalize_embeddings": true
        }
    }
}
```

#### 2.3 OpenAI API配置

```json
"openai": {
    "api_key": "",                  // OpenAI API密钥
    "api_url": "https://api.openai.com/v1",  // OpenAI API地址
    "model": "gpt-4o",             // 模型名称
    "temperature": 0.1,             // 生成温度
    "max_tokens": 2048              // 最大生成令牌数
}
```

#### 2.4 通义千问API配置

```json
"qwen": {
    "api_key": "",                  // 通义千问API密钥
    "model": "qwen-plus",          // 模型名称
    "temperature": 0.1,             // 生成温度
    "max_tokens": 2048              // 最大生成令牌数
}

### 3. 共享配置
```json
"retrieval": {
    "chain_type": "stuff",         // 链类型
    "search_kwargs": {
        "k": 3                      // 检索文档数量
    },
    "return_source_documents": true // 是否返回源文档
},
"text_splitter": {
    "chunk_size": 1000,             // 块大小
    "chunk_overlap": 200            // 重叠部分
},
"knowledge_base": {
    "data_dir": "data",            // 数据目录
    "medical_keywords": [           // 医疗相关关键词
      "medical",
      "health",
      "disease",
      "treatment",
      "medicine",
      "symptoms"
    ]
},
"example_questions": [              // 示例问题列表
    "什么是高血压？如何预防？",
    "老年高血压患者有哪些注意事项？",
    "脑血栓的高危因素有哪些？如何预防？",
    "糖尿病的预防措施有哪些？",
    "老年人如何保持健康的生活方式？"
]
```

## 注意事项

1. 使用前请确保相关服务已正确安装和配置
2. 对于本地模型，需要确保有足够的硬件资源
3. 远程API调用可能会产生费用，请确保配置了有效的API密钥
4. 本项目仅用于演示和学习目的，不应用于实际医疗诊断
5. 所有医疗相关回答仅供参考，不构成医疗建议
6. 使用Ollama智能体前，请确保Ollama服务已启动（默认端口11434）

## 使用示例

### 命令行交互示例

使用演示脚本启动交互式问答：

```bash
python hengline/demo/demo_usage.py
```

运行后，可以直接输入问题进行交互：

```
===== AI医疗问答系统演示 =====
初始化完成！请输入您的医疗问题（输入'退出'结束程序）

示例问题：
1. 什么是高血压？如何预防？
2. 我最近发热、咳嗽、喉咙痛，应该怎么办？
3. 心肺复苏的步骤是什么？
4. 如何保持健康的生活方式？

-----------------------------------
请输入您的问题: 什么是高血压？

正在获取答案，请稍候...

===== 回答 =====
高血压是一种常见的慢性疾病，指血液在血管中流动时对血管壁造成的压力持续高于正常水平...
```

## API使用示例

### 使用curl调用API

```bash
# 健康检查
curl http://localhost:8000/api/health
# 响应示例：{"api_status":"running","agent_status":"initialized"}

# 更新配置
curl -X PUT http://localhost:8000/api/config -H "Content-Type: application/json" -d '{"api_url":"http://localhost:11434","models":"llama3.2","temperature":0.1,"timeout":300}'
# 响应示例：{"llm":{...},"updated_at":"2024-06-15T10:30:00Z","message":"配置获取成功"}

# 查询问题
curl -X POST http://localhost:8000/api/query -H "Content-Type: application/json" -d '{"question": "什么是高血压？", "request_id": "user_123"}'
# 响应示例：{"answer":"高血压是一种常见的慢性疾病...","request_id":"user_123","sources":"可选，来源文档信息（如回答中包含）","timestamp":"2024-06-15T10:31:15Z"}

# 生成医疗内容（仅在generative类型智能体下可用）
curl -X POST http://localhost:8000/api/generate -H "Content-Type: application/json" -d '{"topic": "高血压的预防", "generation_type": "general_info", "request_id": "gen_123"}'
# 响应示例：{"generated_content":"高血压的预防主要包括生活方式干预和定期监测...","generation_type":"general_info","request_id":"gen_123","timestamp":"2024-06-15T10:32:00Z"}
```

### 使用Python调用API

```python
import requests
import json

# 健康检查
def check_health():
    url = "http://localhost:8000/api/health"
    response = requests.get(url)
    if response.status_code == 200:
        return response.json()
    else:
        return {"error": f"请求失败: {response.status_code}"}

# 更新配置
def update_llm_config(config_data):
    url = "http://localhost:8000/api/config"
    headers = {"Content-Type": "application/json"}
    response = requests.put(url, headers=headers, data=json.dumps(config_data))
    if response.status_code == 200:
        return response.json()
    else:
        return {"error": f"请求失败: {response.status_code}"}

# 查询问题
def query_medical_agent(question, request_id=None):
    url = "http://localhost:8000/api/query"
    headers = {"Content-Type": "application/json"}
    data = {"question": question}
    if request_id:
        data["request_id"] = request_id
    response = requests.post(url, headers=headers, data=json.dumps(data))
    if response.status_code == 200:
        return response.json()
    else:
        return {"error": f"请求失败: {response.status_code}"}

# 使用示例
# 1. 检查健康状态
health_status = check_health()
print("健康状态:", health_status)

# 2. 更新配置
config_data = {
    "api_url": "http://localhost:11434",
    "models": "llama3.2",
    "temperature": 0.1,
    "timeout": 300
}
config_result = update_llm_config(config_data)
print("配置更新结果:", config_result)

# 3. 查询问题
result = query_medical_agent("什么是高血压？", request_id="user_123")
print("回答:", result["answer"])
print("请求ID:", result["request_id"])
print("时间戳:", result["timestamp"])
if "sources" in result and result["sources"]:
    print("来源:", result["sources"])    

# 生成医疗内容（仅在generative类型智能体下可用）
def generate_medical_content(topic, generation_type="general_info", request_id=None):
    url = "http://localhost:8000/api/generate"
    headers = {"Content-Type": "application/json"}
    data = {
        "topic": topic,
        "generation_type": generation_type
    }
    if request_id:
        data["request_id"] = request_id
    response = requests.post(url, headers=headers, data=json.dumps(data))
    if response.status_code == 200:
        return response.json()
    else:
        return {"error": f"请求失败: {response.status_code}"}

# 生成内容示例
gen_result = generate_medical_content(
    "高血压的预防", 
    generation_type="general_info", 
    request_id="gen_123"
)
if "error" not in gen_result:
    print("\n===== 生成内容 ====")
    print("生成内容:", gen_result["generated_content"])
    print("生成类型:", gen_result["generation_type"])
    print("请求ID:", gen_result["request_id"])
    print("时间戳:", gen_result["timestamp"])
else:
    print("生成内容失败:", gen_result["error"])
```

## 知识库管理

### 添加知识文档

将医疗相关的文本文件放置在项目根目录的 `data/` 文件夹中，系统会自动加载这些文档到知识库中：

```bash
# 创建知识文档
echo "高血压是一种常见的慢性疾病..." > data/hypertension_knowledge.txt
```

支持的文件格式：目前仅支持纯文本文件（.txt）

## 常见问题解决

### Ollama服务连接失败

错误信息：`[WinError 10061] 由于目标计算机积极拒绝，无法连接`

解决方案：
1. 确认Ollama服务已安装并启动
2. 检查Ollama服务端口是否为11434（默认端口）
3. 如使用自定义端口，请修改config.json中的base_url配置

### 知识库检索结果为空

解决方案：
1. 确认data目录中包含有效的医疗知识文档
2. 检查文档格式是否为纯文本（.txt）
3. 重启服务以重新加载知识库

## 免责声明

本项目提供的医疗信息仅供参考，不构成医疗建议、诊断或治疗。在进行任何医疗决策之前，请咨询专业医疗人员。项目开发者不对因使用本项目而导致的任何后果负责。