当古老的中医遇上现代 AI，会碰撞出怎样的火花？最近，一个名为"多智能体中医问诊系统"的开源项目在技术圈引起了不小关注——它将传统中医的辨证论治思维与现代大语言模型、多智能体编排技术深度结合，让 AI 能够像老中医一样"望闻问切"，给出有理有据的中医建议。
项目地址：https://www.gitcc.com/manzhiqi/china-medical-miracle
为什么中医问诊 AI 这么难做？
说起来你可能不信，中医问诊 AI 其实是 AI 医疗领域最难啃的骨头之一。为什么？因为中医问诊有三大核心挑战，每一个都直戳当前 AI 技术的痛点。
第一，意图识别不稳定。 用户的提问往往是中医术语和日常语言混合出现的。比如"我最近肝郁气滞，心情不好"，这里"肝郁气滞"是专业的中医证候术语，但用户用日常语言描述症状时，系统需要准确理解这是在说情绪抑郁、胸胁胀闷等表现。传统 NLP 系统很容易在这种混合语境下"蒙圈"。
第二，数据割裂。 中医问诊涉及两类截然不同的数据：一类是结构化的病历信息（症状、舌象、脉象等），另一类是非结构化的古籍医案（《伤寒论》《金匮要略》的条文，历代名医医案）。这两类数据存储形态不同、分析方式不同，但恰恰需要联动分析才能得出准确的辨证结论。
第三，理论约束缺失。 辨证与方药推荐需要遵循中医经典理论（如八纲辨证、脏腑辨证），但大多数 AI 系统只做数据匹配，不做理论校验。结果就是：AI 给出的建议"数据上正确，但临床上不合理"——比如推荐了一个泻火的方子，却没考虑到患者本身体质虚寒。
解决方案：多智能体 + 知识图谱 + LangGraph
这个开源项目的核心思路是：用多智能体分工协作，配合知识检索和图/向量存储，构建一个"识别—检索—推理—回复"的可维护闭环。
技术架构
后端采用 FastAPI + LangGraph 的组合。FastAPI 负责 API 层的高性能，而 LangGraph 则是整个系统的"大脑"——它负责编排多个 AI 智能体的协作流程，让不同职责的 Agent 各司其职、协同工作。
前端基于 React，提供对话式的交互界面。用户就像在跟一个经验丰富的老中医聊天一样，自然地描述自己的症状和感受。
大语言模型负责理解用户意图、生成回复。知识检索能力则让系统能够调用中医古籍、医案库、药材数据库等海量资源，确保回答有典可依、有据可查。
五大核心场景
系统针对中医问诊中最常见的五大场景分别优化：
辨证分析：根据用户描述的症状、体征，结合中医辨证理论，分析证候类型（阴虚、阳虚、气虚、血瘀等）。
古籍检索：从《伤寒论》《黄帝内经》《金匮要略》等经典中医典籍中检索相关条文和论述，作为诊断依据。
医案参考：查询历代名医的相似医案，借鉴前人经验，提供更有参考价值的建议。
药材查询：提供中药材的性味归经、功效主治、配伍禁忌等知识，帮助理解方药逻辑。
养生建议：结合中医养生理论，给出饮食调理、作息建议等日常保健方案。
部署与使用
项目提供了完整的源代码，可以直接部署到自己的服务器上。
# 克隆项目
git clone https://www.gitcc.com/manzhiqi/china-medical-miracle
cd china-medical-miracle
项目需要配置大语言模型的 API Key（支持 OpenAI、Claude 等主流模型，也支持国产模型）。在生产环境中使用时，需要自行完成安全、合规与模型网关配置。
应用场景
这个系统特别适合以下几类场景：
中医信息化产品原型：如果你正在开发中医类的互联网产品，这个开源项目提供了完整的技术参考和原型设计，可以大大缩短开发周期。
科研与教学演示：中医科研人员和教师可以用它作为辅助工具，让学生直观地理解中医辨证论治的思维过程。
院内/企业知识库问答：医疗机构或中医相关企业可以将其部署为内部知识库问答系统，帮助员工快速查询中医知识和诊疗规范。
局限性与展望
当然，这个系统也有它的局限性。项目方也明确指出：在生产环境中使用时，需自行完成安全、合规与模型网关配置。毕竟中医涉及生命健康，AI 只能提供参考建议，不能替代专业医生的诊断。
但即便如此，这个项目的意义依然重大——它证明了 AI 技术与中医理论的结合是可行的，而且能够解决传统中医信息化面临的诸多痛点。古老医学和现代科技的结合，正在打开一扇新的大门。
项目地址：https://www.gitcc.com/manzhiqi/china-medical-miracle
相关标签：AI中医、多智能体、LangGraph、FastAPI、中医信息化、开源项目