一套前后端分离的多智能体中医问诊系统,基于FastAPI和LangGraph后端与React前端,集成大语言模型和知识检索,支持辨证、古籍、医案、药材、养生等多场景对话推理。完全开源可商业化落地,提供账户、会话、模型配置等通用模块,适合中医信息化产品原型、科研教学及企业知识库问答。生产环境需自行配置安全与模型网关。
Tags:https://www.gitcc.com/obra/zy-agent
多智能体,智慧中医,完整开源,可以商业化
技术框架
前后端分离的多智能体中医问诊系统:后端基于 FastAPI 与 LangGraph,前端基于 React,集成大语言模型与知识检索能力,支撑辨证、古籍、医案、药材与养生等场景的对话与推理
类问题:细分意图识别不稳、结构化病例与非结构化古籍/医案难以联动、辨证与方药推荐缺少可校验的中医理论约束。本项目通过多智能体编排、工具调用与图/向量等存储形态,把「识别—检索—推理—回复」串成可维护的闭环。
项目定位
适用于中医信息化产品原型、科研与教学演示、院内/企业知识库问答等需要「中医话术 + 可控工具」的场景;生产环境需自行完成安全、合规与模型网关配置。
一、智能体中医问诊系统核心功能介绍
这是一套完全开源可支持商业化落地的前后端分离多智能体中医问诊系统,核心功能特点如下:
全链路能力覆盖:集成大语言模型与知识检索能力,可支撑辨证、古籍查询、医案分析、药材辨识、养生指导等多类中医场景的对话与推理需求。 闭环问题解决能力:针对性解决了传统中医信息化领域的三类痛点:细分意图识别不稳定、结构化病例与非结构化古籍/医案难以联动、辨证与方药推荐缺少可校验的中医理论约束,通过多智能体编排、工具调用与图/向量等存储形态,把「识别—检索—推理—回复」串成可维护的完整闭环。 多元适用场景:可用于中医信息化产品原型搭建、中医相关科研与教学演示、院内/企业专属中医知识库问答等需要「中医话术 + 可控工具」的场景,仅需在生产环境自行完成安全、合规与模型网关配置即可投入正式使用。 你可以直接访问项目仓库获取全套源代码:智慧中医多智能体开源项目
二、AI推动中医实现新发展的核心逻辑
这套智能体中医问诊系统正是AI助力中医实现突破性发展的典型落地,核心原因体现在这些方面:
传承门槛大幅降低:海量散落的非结构化中医古籍、名老中医医案,通过向量存储、知识检索结合多智能体的能力,可以实现高效的关联调用,打破了传统中医传承依赖师徒口传心授、知识沉淀效率低的局限,让优质中医知识可以被更广泛地获取、复用。 诊疗推理更严谨可追溯:传统的AI中医问诊方案容易出现辨证逻辑脱离中医理论、方药推荐不可校验的问题,而这套系统通过多智能体的编排约束,让辨证、开方的每一步推导都可以锚定正统中医理论依据,既保留了中医的核心辨证逻辑优势,也补足了传统模式下推理过程难以标准化校验的短板。 突破传统服务的边界限制:依托多智能体的协同能力,中医服务不再局限于线下名老中医的个人精力覆盖范围,可同时支撑问诊咨询、古籍研究、教学演示、企业知识库服务等多元场景,让中医的应用场景在AI时代得到前所未有的拓宽,真正推动传统中医在数字化浪潮下实现爆发式发展。
三、技术框架说明
这套系统采用典型的前后端分离架构:
后端:基于FastAPI与LangGraph搭建 前端:基于React开发 底层能力:深度集成大语言模型与向量/图数据库的知识检索能力,实现多智能体的协同调度
智能体问诊推动中医高质量发展的核心价值
这套智能体问诊系统从工程化落地层面打破了传统中医数字化的诸多瓶颈,是推动中医在AI时代实现突破性发展的重要支撑,核心原因体现在这几个维度:
它把传统零散的单轮中医问答,升级为多轮交互、多工具联动、全流程可追溯的标准化服务体系,既保留了中医望闻问切的辨证核心逻辑,又解决了传统中医服务规模化落地时难以统一标准、流程不可追溯的痛点。 大幅降低了中医数字化项目的开发门槛,开发者无需从零硬编码账户、会话、模型配置等通用模块,就能快速搭建出合规可控的中医信息化产品,让中医知识可以更低成本地触达更多场景。 通过可灵活配置的多智能体路由能力,把辨证推理、古籍检索、安全兜底等能力解耦,既能够还原传统中医的辨证逻辑,又可以借助AI的能力打破地域、精力的限制,让优质的中医知识服务实现更广范围的覆盖,推动中医传承与应用效率的全面升级。
二、系统核心业务功能
账户与多端登录能力内置患者、医生、管理员等多角色账户模型,采用JWT与刷新令牌机制做身份校验,相关能力完全模块化封装在后端account相关模块中,支持多端统一登录鉴权。 对话与流式回复能力实现会话与消息的全链路持久化存储,支持流式输出响应,可覆盖问诊聊天、养生咨询等各类中医交互场景,大幅提升用户对话体验。 多智能体辨证与工具调用能力支持自动完成用户意图识别,识别后自动将请求路由到不同的子能力模块,涵盖知识检索、辨证推理、安全兜底等多种能力,实现符合中医逻辑的智能问诊流程。 模型与供应商灵活配置能力既支持系统级的全局模型定义,也支持用户级自定义API Key、Base URL覆盖原有配置,可直接对接GitCC等各类模型网关,适配不同用户的模型使用需求。 可选图与RAG增强能力Neo4j、GraphRAG相关实现代码全部位于backend/graphrag/路径下,用户可根据自身环境按需启用,结合知识库实现更精准的中医关联知识检索。 公众端与管理端完整配套前端内置公众门户、模型管理页、管理端登录等完整路由,无需额外开发即可直接对外提供公众服务,同时支撑后台运营人员完成全链路的系统配置管理。
三、典型落地场景
这套系统可广泛适配中医院信息化、健康管理应用、中医教育实训、企业内部的中医知识库问答等多个领域,典型落地场景包括:
智能辅助问诊场景:用户自述症状后,系统自动通过多轮对话追问寒热、汗出、二便、舌脉等关键辨证信息,辅助归纳证型并输出合规的养生建议(仅做辅助参考,不替代执业医师的正式诊疗)。 中医古籍与知识点查询场景:支持用户用自然语言直接提问经典条文、中医专业术语,系统会结合知识库检索结果输出严谨准确的解答。 运营侧模型配置场景:管理员可直接在可视化后台完成模型网关与可用模型列表的配置,公众端即可直接通过统一供应商能力完成中医相关对话服务。
四、系统的核心工程价值
这套开源方案针对性解决了中医数字化开发过程中的大量通用痛点:
大幅降低了从普通的单轮问答系统,升级为「多轮交互、多工具联动、流程可追踪」的专业级中医服务系统的工程成本。 预先统一封装了账户、会话、模型配置的通用数据模型,避免开发者在前后端开发过程中重复硬编码通用逻辑。 提供Docker Compose配置文件,可一键拉起所有依赖中间件,大幅缩短本地开发与演示环境的搭建周期。 实现大模型调用与业务路由的完全解耦,开发者可以非常便捷地切换不同大模型供应商,同时灵活配置限流策略,适配不同生产环境的稳定性要求
https://www.gitcc.com/obra/zy-agent
多智能体,智慧中医,完整开源,可以商业化
技术框架
前后端分离的多智能体中医问诊系统:后端基于 FastAPI 与 LangGraph,前端基于 React,集成大语言模型与知识检索能力,支撑辨证、古籍、医案、药材与养生等场景的对话与推理
没有评论:
发表评论