🏥 患者门诊管理多智能体系统

基于 LangGraph 的医院门诊诊疗流程多智能体模拟平台

功能特性 • 快速开始 • 项目结构 • 运行指南 • 核心模块

---

📋 项目简介

患者门诊管理多智能体系统是一个基于 LangGraph 编排的医院门诊诊疗流程模拟平台。系统采用多智能体协作模式（医生、护士、患者、检验科），当前支持 神经医学科，通过本地 RAG 知识库检索和可选的 DeepSeek LLM 增强，实现了高度可追踪、可复现的医疗流程仿真。

v2.0 架构升级：采用模块化设计，main 函数精简至 160 行纯流程编排（11步清晰流程），职责清晰分离，易于维护和扩展。配置管理直接整合到 Config 类，无需额外的加载器层。

🎯 核心特性

• 🤖 多智能体协作：医生、护士、患者、检验科四方智能体紧密协作
• 🏗️ LangGraph 编排：完整门诊流程（16个节点）+ 专科子图（3个节点），支持多科室扩展
• 🧠 Adaptive RAG 系统 ✨ NEW：集成 SPLLM-RAG1，支持真实语义嵌入、多向量库检索（指南/案例/问答/历史/流程）
• 🧰 增强 RAG 能力：内置混合检索、动态分块、分层检索与自进化机制（可选启用）
• 📊 完整审计追踪：每步操作记录 audit_trail、citations，支持流程回放
• 👥 多患者并发：默认多患者架构，自动负载均衡与队列管理（1个患者=单体模式）
• 🌍 物理环境模拟：模拟真实医院空间、时间流逝、设备排队等约束
• 💾 数据库支持：支持 MySQL 持久化，完整的患者就诊记录管理
• ✨ 模块化架构：职责清晰分离，main 函数仅负责流程编排，易于维护和扩展

🆕 Adaptive RAG 集成

本系统采用 SPLLM-RAG1 的 Adaptive RAG，显著提升检索精度：

特性	传统 RAG	本系统 (Adaptive RAG) ✨
嵌入方式	哈希嵌入	真实语义嵌入（BAAI/bge-large-zh-v1.5）
向量库数量	1个	5个（指南/案例/问答/历史/流程）
检索精度	⭐⭐⭐	⭐⭐⭐⭐⭐
患者历史记忆	❌	✅
高质量问答参考	❌	✅

配置（src/config.yaml）：

rag:
    spllm_root: SPLLM-RAG1        # SPLLM-RAG1 路径（相对项目根目录）
  adaptive_threshold: 0.3       # 余弦距离阈值

快速测试：

python test_adaptive_rag.py

📚 详细文档：

• 完整集成指南 - 架构、配置、故障排查
• 快速启动教程 - 5分钟快速启动指南

🏥 支持的科室

当前已实现：

• 神经医学科 (Neurology)

架构特性：通用专科子图设计，新增科室仅需配置知识库和科室参数即可

---

🚀 快速开始

环境要求

• Python 3.10+
• pip 包管理器

安装依赖

# 克隆或进入项目目录
cd patient_agent

# 安装依赖
pip install -r requirements.txt

# 可选：启用混合检索等增强能力
pip install -r requirements_rag.txt

初始化 Adaptive RAG 向量库（SPLLM-RAG1）

cd SPLLM-RAG1
python create_database_general.py

💡 提示：该步骤会创建 SPLLM-RAG1/chroma/ 下的向量库。若已存在可跳过。

运行系统

基本运行（单患者）

# 使用默认配置
python src/main.py

多患者并发模式

在 src/config.yaml 中配置：

mode:
    multi_patient: true
    num_patients: 3
    patient_interval: 60

然后运行：

python src/main.py

配置 DeepSeek API

# 设置环境变量（PowerShell）
$env:DEEPSEEK_API_KEY="sk-your-key-here"

# 或创建 .env 文件
# DEEPSEEK_API_KEY=sk-your-key-here

# 启用LLM增强
python src/main.py --enable-reports

配置管理

项目支持多层级配置，优先级从高到低：CLI参数 > 环境变量 > config.yaml > 代码默认值

核心配置项：

• LLM配置：backend（mock/deepseek）、enable_reports
• 智能体配置：max_questions、max_triage_questions
• RAG配置：spllm_root、adaptive_threshold、adaptive_embed_model、skip_rag
• 运行模式：multi_patient、num_patients、patient_interval
• 物理环境：interactive
• 数据库：enabled、connection_string、backup_to_file
• 系统：verbose

📄 完整配置示例请参考 src/config.yaml 文件

---

📁 项目结构

patient_agent/
├── src/
│   ├── main.py                      # 🚀 主程序入口（流程编排）
│   ├── config.py                    # ⚙️ 配置管理（多层级加载）
│   ├── config.yaml                  # 📝 运行配置
│   ├── core/                        # 🏭 初始化器与核心组件
│   ├── agents/                      # 🤖 医生/护士/患者/检验智能体
│   ├── graphs/                      # 🕸️ LangGraph 流程编排（C1-C16）
│   ├── services/                    # 🔧 预约/计费/病例/LLM/工作流服务
│   ├── rag/                         # 📚 Adaptive/Enhanced RAG 检索器
│   ├── display/                     # 📺 输出与日志格式化
│   ├── environment/                 # 🌍 物理环境模拟
│   ├── integration/                 # 🔌 适配层
│   ├── logging_utils/               # 🧾 日志工具
│   ├── processing/                  # 🧵 多患者处理器
│   ├── prompts/                     # 🧩 提示词模板
│   └── state/                       # 🧠 状态定义
├── diagnosis_dataset/               # 诊断数据集
│   └── dataset.json
├── docs/                            # 文档（Adaptive/Enhanced RAG 等）
├── logs/                            # 运行日志
│   └── patients/                    # 每个患者详细日志
├── medical_records/                 # 病例存储（文件或DB）
├── SPLLM-RAG1/                       # Adaptive RAG 依赖项目（向量库/模型缓存）
├── requirements.txt                 # 基础依赖
├── requirements_rag.txt             # 增强 RAG 依赖（混合检索等）
├── test_adaptive_rag.py              # Adaptive RAG 集成测试
└── README.md

---

🏗️ 流程设计

门诊流程图（C1-C16）

文本流程图

患者挂号登记 (C1-C4)
    ↓
初诊问诊准备 (C5) [RAG: 通用SOP]
    ↓
专科问诊 (C6 → S4-S6) [RAG: 专科知识库]
    ↓
判断是否需要辅助检查 (C7)
    ├─→ 是 → 开单准备说明 (C8) [RAG: 检查准备]
    │         ↓
    │     缴费和预约 (C9) [Mock: 预约系统]
    │         ↓
    │     执行检查并增强报告 (C10) [Lab Agent生成 + LLM增强]
    │         ↓
    │     报告回诊 (C11) [RAG: 诊疗方案]
    │         ↓
    └─────→ 综合分析诊断 (C12) [RAG: 诊疗方案/文书]
            ↓
        处置决策 (C13) [升级建议]
            ↓
        生成诊疗文书 (C14) [RAG: 文书模板]
            ↓
        健康宣教与随访 (C15) [RAG: 健康教育]
            ↓
        完成流程 (C16) [统计与评估]

Mermaid 流程图

graph TD
    C1[C1: 开始门诊] --> C2[C2: 预约挂号]
    C2 --> C3[C3: 签到候诊]
    C3 --> C4[C4: 叫号入诊]
    C4 --> C5[C5: 问诊准备<br/>RAG: 通用SOP]
    C5 --> C6[C6: 专科流程调度]
    C6 --> S4[S4: 专科问诊<br/>一问一答]
    S4 --> S5[S5: 体格检查]
    S5 --> S6[S6: 初步判断]
    S6 --> C7{C7: 需要检查?}
    
    C7 -->|是| C8[C8: 开单准备说明<br/>RAG: 检查准备]
    C8 --> C9[C9: 缴费与预约]
    C9 --> C10[C10: 执行检查<br/>Lab Agent + LLM]
    C10 --> C11[C11: 报告回诊<br/>RAG: 诊疗方案]
    
    C7 -->|否| C12[C12: 综合分析诊断<br/>RAG: 诊疗方案/文书]
    C11 --> C12
    
    C12 --> C13[C13: 处置决策<br/>升级建议]
    C13 --> C14[C14: 生成文书<br/>RAG: 文书模板]
    C14 --> C15[C15: 健康宣教<br/>RAG: 健康教育]
    C15 --> C16[C16: 完成流程<br/>统计与评估]
    
    style C6 fill:#e1f5ff
    style S4 fill:#e1f5ff
    style S5 fill:#e1f5ff
    style S6 fill:#e1f5ff
    style C10 fill:#fff3e0
    style C12 fill:#e8f5e9

Loading

专科子图（S4-S6）

S4: Specialty Interview - 一问一答模式

• 医生根据问诊要点逐步提问
• 患者基于病例数据回答
• RAG 检索科室知识库指导提问

S5: Physical Exam - 体格检查

• 模拟真实检查流程
• 基于主诉和病历生成检查发现

S6: Preliminary Judgment - 初步判断

• 综合分析决定是否需要辅助检查
• RAG 检索诊疗指南确定检查建议

完整节点说明

通用门诊流程（C1-C16）

节点	名称	职责	关键技术
C1	开始门诊流程	验证状态、记录开始时间	状态初始化
C2	预约挂号	挂号、生成就诊号	AppointmentService
C3	签到候诊	患者签到、进入候诊队列	队列管理
C4	叫号入诊	医生叫号、分配诊室	医生资源调度
C5	问诊准备	检索通用SOP、初始化问诊记录	RAG检索
C6	专科流程调度	调用专科子图（S4-S6）	子图调度
C7	路径决策	判断是否需要辅助检查	条件分支
C8	开单与准备说明	开具检查单、检索准备知识	RAG检索
C9	缴费与预约	生成订单、预约检查时间	BillingService
C10	执行检查	执行检查、生成结果、LLM增强报告	Lab Agent + LLM
C11	报告回诊	医生解读报告、复诊评估	RAG检索诊疗方案
C12	综合分析诊断	明确诊断、制定治疗方案	RAG检索 + 三智能体
C13	处置决策	升级建议（急诊/住院/会诊/转诊）	规则引擎
C14	生成文书	生成病历、诊断证明、病假条	RAG检索模板
C15	健康宣教与随访	健康教育、随访安排	RAG检索宣教内容
C16	完成流程	记录结束时间、统计、评估	流程统计

专科子图（S4-S6）

节点	名称	职责	关键技术
S4	专科问诊	一问一答模式问诊、收集病史	Doctor Agent + Patient Agent + RAG
S5	体格检查	模拟体格检查、记录体征	基于病例数据模拟
S6	初步判断	分析是否需要辅助检查、开具检查单	Doctor Agent + RAG

---

🧪 核心模块详解

架构设计

系统采用模块化分层架构，职责清晰分离：

• 入口层 (main.py)：极简流程编排（160行），11步清晰流程
• 配置层 (config.py)：多层级配置管理（CLI > 环境变量 > YAML > 默认值）
• 核心层 (core/)：组件初始化器，统一管理所有核心组件
• 显示层 (display/)：日志格式化和输出展示（共164行）
• 业务层 (services/workflow/)：工作流控制和业务逻辑（共282行）
• 智能体层 (agents/)：医生、护士、患者、检验科智能体
• 编排层 (graphs/)：LangGraph 流程图定义

1. 系统初始化器 (core/initializer.py)

统一管理所有核心组件的初始化，包括日志系统、大语言模型、知识库检索器、业务服务（预约、计费）、病例库服务和医院协调器的初始化。

2. 多患者工作流 (services/workflow/multi_patient.py)

负责多患者并发诊断流程控制，包括医生注册、患者处理器初始化、病例选择、患者调度、状态监控、完成等待和系统关闭等功能。

3. 医生智能体 (agents/doctor_agent.py)

负责问诊、检查建议、诊断制定。支持状态重置、一问一答模式问诊、完整问诊流程、检查项目建议、综合分析诊断等核心医疗决策功能。

4. 护士智能体 (agents/nurse_agent.py)

负责科室分诊、生命体征测量、健康宣教、检查前准备说明等护理工作。

5. 患者智能体 (agents/patient_agent.py)

模拟真实患者症状和回答，基于病例数据向护士描述症状、回答医生问题，实现逼真的患者交互。

6. 医院协调器 (coordination/coordinator.py)

多患者并发管理和医生资源调度中心，负责医生注册、患者挂号、医生分配、空闲医生查询等协调工作。

7. 物理环境模拟 (environment/hospital_world.py)

模拟医院物理空间、时间流逝、设备资源等真实约束，支持 agent 添加、移动、设备使用、检查执行等物理世界交互。

8. RAG 检索系统 (rag/)

基于 SPLLM-RAG1 的 Adaptive/Enhanced RAG 系统，使用真实语义嵌入与多向量库协同检索，支持分层策略、混合检索与检索结果溯源。

向量库结构（SPLLM-RAG1/chroma/）：医学指南（MedicalGuide_db）、临床案例（ClinicalCase_db）、高质量问答（HighQualityQA_db）、患者历史（UserHistory_db）、医院流程（HospitalProcess_db）。

9. 状态管理 (state/schema.py)

BaseState 包含完整的就诊状态信息：运行ID、科室、患者ID、主诉、现病史、检查单、检查报告、诊断、治疗方案、升级建议、审计追踪、RAG检索结果等核心数据。审计追踪记录每个节点的时间戳、输入输出摘要、决策依据、引用文献和标志位（LLM使用、RAG检索等）。

---

🏛️ 架构优势

v2.0 模块化重构

重构后（v2.0）

• ✅ main.py 仅 160 行（11步清晰流程）
• ✅ 职责分离：配置、初始化、业务、显示各司其职
• ✅ 易于维护：修改某功能只需修改对应模块
• ✅ 易于测试：每个模块可独立测试
• ✅ 易于扩展：新增功能不影响主流程
• ✅ 配置直接整合：Config.load() 统一管理配置加载

核心模块

模块	职责	行数
config.py	配置管理	~287
core/	组件初始化	~134
display/	格式化输出	~164
services/workflow/	工作流控制	~282
main.py	流程编排	~160

设计原则：

• 单一职责原则（SRP）
• 开闭原则（OCP）
• 依赖注入（DI）
• 关注点分离（SoC）

---

🔧 高级功能

自定义配置

使用 --config 参数指定自定义配置文件，或通过环境变量覆盖特定配置项。

审计追踪分析

系统自动记录完整的追踪日志（agent_trace.json），包含：

• RAG引用溯源：每个节点的知识库检索记录和引用文献
• LLM调用统计：LLM使用标记和调用次数
• 决策路径：每步的输入输出摘要和决策依据
• 时间戳：精确到毫秒的流程时间线

---

📊 外部系统 Mock

所有 Mock 服务基于 seed 保证确定性输出：

服务	模块	功能	确定性
预约服务	appointment.py	挂号、签到、叫号	✅ Seed-based
缴费服务	billing.py	费用计算、记录	✅ Seed-based
实验室	lab.py	血常规、肝功能等	✅ Mock数据
影像检查	imaging.py	CT、MRI、超声	✅ Mock数据

---

🛡️ 安全机制

红旗症状识别

系统在 C12（综合分析诊断）节点通过 apply_safety_rules() 自动检测危重症状并触发升级：

自动触发急诊：

• 🚨 神经系统红旗：意识障碍、昏迷、偏瘫、肢体无力、言语不清

自动触发会诊：

• 👥 影像检查异常需进一步评估
• 👥 实验室检查异常需结合临床处理

💡 升级建议记录在 state.escalations 字段，并在随访计划中提示应急处理

---

💾 数据持久化

文件存储模式

病例数据以 JSON 格式存储在 medical_records/ 目录，每个患者一个独立文件。

数据库存储模式

支持 MySQL 持久化，包含三个核心表：

• Patient 表：患者基本信息
• MedicalCase 表：就诊病例（支持多次就诊）
• Examination 表：检查检验结果

在 config.yaml 中配置 database.enabled: true 并设置连接字符串即可启用。

---

📖 环境变量

变量名	说明	默认值
DEEPSEEK_API_KEY	DeepSeek API 密钥	-
DEEPSEEK_MODEL	模型名称	deepseek-chat
DEEPSEEK_BASE_URL	API 端点	https://api.deepseek.com
AGENT_MAX_QUESTIONS	医生最多问题数	3
ENABLE_RAG	启用RAG系统	true

---

📝 日志系统

系统为每个患者在 logs/patients/ 目录生成独立日志文件（格式：patient_XXX_日期_时间.log）。

日志内容：完整诊疗流程、问诊对话、RAG检索结果、检查报告、诊断结果、审计追踪和决策依据。

---

🔗 依赖组件

组件	版本	用途
LangGraph	1.0.7	流程编排
ChromaDB	1.4.1	向量数据库
Pydantic	2.12.5	数据验证
SQLAlchemy	2.0.36	ORM
PyMySQL	1.1.1	MySQL 驱动
Typer	0.21.1	CLI 框架
Rich	14.3.0	彩色输出
NumPy	2.4.1	数值计算
Pandas	2.2.0	数据处理

---

✅ 系统能力矩阵

能力维度	实现状态	说明
多智能体协作	✅ 完整	医生、护士、患者、检验科协作
多患者并发	✅ 完整	自动负载均衡和队列管理
物理环境模拟	✅ 完整	时间、空间、设备约束
RAG知识检索	✅ 完整	关键节点强制检索
审计追踪	✅ 完整	完整的决策记录和溯源
数据库持久化	✅ 完整	MySQL支持
LLM增强	⚡ 可选	DeepSeek集成
红旗症状识别	✅ 完整	自动升级触发
多科室支持	✅ 可扩展	当前神经科，框架支持扩展
模块化架构	✅ v2.0	职责清晰，易维护扩展
流程编排	✅ 极简	main函数160行(11步清晰流程)

---

📄 许可证

本项目采用 MIT 许可证。详见 LICENSE 文件。

---

⚠️ 免责声明

本项目仅用于技术演示和教学目的，不构成任何医疗建议。如有健康问题，请咨询专业医疗机构。

---

Made with ❤️ by Patient Agent Team