企业官网建设流程全解析

最近一年里，被朋友和同行问得最多的一个问题，不是“大模型还能火多久”，而是“Agentic AI在医疗领域到底会留下什么”。我当时的身份刚好是提示工程架构师，参与了一项面向医疗行业的Agentic AI生态影响研究。这个项目不写产品代码、不做临床实验，核心任务非常明确：搞清楚当具有自主规划、工具调用、自我修正能力的智能体进入医院、制药企业和患者端之后，哪些环节会最先变化，哪些角色会被重新定义，哪些风险会从技术问题变成管理问题。

这篇文章就是那次研究的完整案例拆解。我会把从立项、定框架、设计提示词、搭原型、跑访谈，一直到输出指标和路线图的过程原原本本讲一遍。如果你正在做大模型应用、医疗信息化、AI产品规划，或者只是想理解“Agent生态影响”这类研究到底怎么做，应该能从里面找到一套可以移植的方法，也能看到不少我在实际项目中踩过的坑。

先提醒一句：这不是一篇讲“AI如何神奇”的文章，而是一篇讲“AI嵌入产业后如何改变分工和责任”的文章。后者比前者难得多，也重要得多。

1. 研究定位：先搞清楚“生态影响”到底要回答什么

1.1 从“技术评估”切换到“生态影响”

我刚接这个题目的时候，脑子里的画面还停留在“给大模型写提示词”这种很具体的事情上。需求方是一家医疗信息化公司，他们想判断Agentic AI到底会从哪些环节影响医疗行业，以及现有产品线该往哪里调整。一开始我列了一堆测试集，准备用模型准确率、工具调用成功率、任务完成率这些指标交差。结果第一次汇报就被问住了：准确率高说明什么？说明医生能少打几个字，还是说明患者能少跑一次医院？这两件事的答案完全不同。

我这才意识到，研究的对象不应该是Agent本身，而是Agent进入医疗系统之后，人和流程发生的变化。生态影响这个词听起来很大，实际上可以拆得非常具体：谁先受益、谁先变忙、谁承担了新风险、谁的职责被重新定义。比如一个自动生成病历摘要的Agent，受益的是医生的时间，变忙的是信息科，因为它们要持续维护知识库；承担新风险的是病案科，因为摘要一旦错误，归档环节就要背责。从这类具体的利益相关方变化出发，“生态”才不会变成空话。

那次汇报之后，我把研究问题从“Agent能做什么”改成了“Agent进入某个具体医疗环节后，会如何改变任务流、角色分工、数据流转和风险归属”。这个转变是整个项目最重要的起点。

1.2 定义边界：Agent三形态与医疗四环模型

做研究之前，我先做了一件看起来很笨的事：给Agentic AI划出形态边界。如果不做这个动作，后面所有的分析都会糊成一片。我把Agent分为三类。

第一类是任务型Agent，按照固定流程执行单一任务，比如自动生成病历摘要、核对检查禁忌、整理检验报告。这类Agent对生态的影响最轻，基本是单点效率提升。

第二类是协作型Agent，在医生、护士、患者之间的动态协作中提供支持，它能提出方案、给出提醒，但必须请人确认。典型的例子是慢病随访助手：它生成随访问题、记录患者反馈，但每个关键节点都要护士把关。

第三类是自治型Agent，在规则和权限边界内自主完成闭环，比如药物警戒信号筛选、病案质控批量预审。这类Agent一旦出错，影响范围最大，也是最需要谨慎对待的部分。

医疗生态同样需要划分。我用了四环模型：研发端、临床端、运营端、患者端。研发端包括药物靶点发现、临床试验辅助、文献综述；临床端包括诊疗决策支持、护理执行、影像报告初筛；运营端包括病案质控、排班、耗材管理、预约随访；患者端包括健康问答、院后随访、慢病管理、康复指导。四环互相咬合，但每一环对Agent的接受度、数据基础和风险容忍度完全不同。

为什么要做这些划分？因为不同形态、不同环节的影响路径完全不一样。任务型Agent最多改变单点效率，协作型Agent会改变医患互动的节奏，自治型Agent则会触发数据治理、责任归属、流程重构这些更深层的问题。如果混在一起谈“Agent很厉害”，最后得到的只能是一堆正确的废话。所以这个边界划定成了整份研究的第一块基石。

1.3 研究工具包与四周推进计划

研究方法上，我没有一上来就发问卷，而是组合了四种工具。第一种是桌面研究，整理公开的Agent案例、行业白皮书、产品文档和一线医疗信息化的实践记录，目标是建立“医疗任务-技术能力”之间的映射关系。第二种是模拟沙盘，我直接在本地搭轻量Agent原型，用提示词工程模拟不同场景下的行为，相当于把假设变成可观察、可质疑的对象。第三种是访谈和焦点小组，分别找医生、护士、信息科工程师、患者代表、医疗质量顾问聊，重点收集“现状流程”和“假设变化”。第四种是情景测算，把访谈得到的参数输入简化的测算模型，估计影响量级。

整个研究计划被排成四周循环：第一周做场景扫描，产出候选场景和评分卡；第二周做Agent原型推演，落地提示词工作流；第三周做生态视角走查，访谈和影响链路图同步推进；第四周做指标化输出，把所有结论收敛成报告和路线图。

这里有一个明确的取舍：不做大规模问卷。原因在于，生态影响早期，真正的矛盾不是“用户偏好是什么”，而是“链路上哪个环节会先被触达、哪个环节会先卡住”。小样本深度访谈比大样本问卷更能暴露这类结构性问题。问卷可以告诉你“80%的人愿意用AI”，但不会告诉你“医院信息科根本不给外部系统开放接口”这种致命细节。

2. 研究框架与Agent能力拆解：不能只聊“AI很厉害”

2.1 四层能力框架与医疗场景的约束映射

Agentic AI和大语言模型单轮交互最大的区别，是它有能力闭环：自己拆任务、自己选工具、自己看结果、自己决定下一步。我习惯把这种能力拆成四层：规划、工具调用、记忆、反思。普通应用场景里，这四层可以很激进；但放到医疗场景，每一层都要加一道护栏。

规划层，Agent会把一个目标拆成多步行动。普通场景里拆错可以重来，医疗场景里一次规划错误就可能耽误检查或开药。所以我在设计中要求所有目标必须先明确写出“终止条件”，一旦不满足条件就停止。

工具调用层，医疗场景涉及的院内系统非常多，包括HIS、EMR、检查检验系统。这里最重要的约束是权限范围。研究阶段我主张“最小权限原则”：Agent能查什么、能写什么、能触发什么，都必须提前定义，而且尽量先从只读开始。

记忆层，医疗数据的隐私敏感度极高。我的处理是记忆必须局限在“当前患者、当前诊疗上下文”，不允许把一位患者的随访数据用于另一位患者的分析，也不允许把真实诊疗数据拿去做无边界训练。

反思层，Agent需要对自己的输出做二次评估。但这里的反思不能是自由发挥，必须保留审计轨迹：它为什么给出这个建议、依据是哪条记录、有多少信息缺失。

整理完之后，我把约束映射到提示词策略上。规则很简单：能力越强，约束越显式。自治型Agent的提示词里必须有“当信息不足时停止推测”这类硬约束，协作型Agent则要强制插入人工确认节点。

2.2 分层提示词体系：系统层、任务层、校验层

很多朋友问我提示工程在Agent研究里到底占多大比重。我的回答是：提示词不是一段话，而是一套分层体系。我在项目里把提示词拆成三层，分别叫系统层、任务层和校验层。

系统层负责定义Agent的角色和边界，包括它服务谁、不能做什么、拒绝策略是什么、输出格式长什么样。这一层最重要，因为它回答的是“这个Agent在真实流程里到底是什么身份”。比如我从来不写“你是一名资深的临床专家”，我通常这样描述：“你是一名面向全科门诊的辅助信息整理Agent，服务对象是持证医生，建议仅供医生参考。”

任务层负责当前场景的目标、输入、可用工具和步骤约束。它的核心是任务拆解。一个明确的随访提醒任务，必须写明输入有哪些、输出要求是什么、每一步是否邀请人确认。

校验层则要求输出结构可被外部系统验证。它不是让Agent自己检查自己的幻觉，而是在设计上强制Agent标注信息来源、声明置信程度、列出缺失项。下面是一个我在慢病随访场景里用过的简化提示词模板：

[系统层] 你是一名面向门诊随访场景的辅助信息整理Agent，服务对象是持证医生或护士。 你的建议仅供参考，不得替代医护人员的最终判断。 患者临床信息不完整时，必须明确列出缺失项，并停止进一步推测。 禁止输出确定性诊断结论，除非使用者明确要求生成鉴别诊断列表。 [任务层] 当前任务：为一位2型糖尿病复诊患者生成随访提醒与检查安排建议。 可用信息：最近三次血糖记录、当前药物清单、上一次就诊主诉。 处理步骤： 1. 核对最近三次血糖记录的完整性和单位一致性。 2. 识别记录中的异常波动，输出趋势描述，不输出诊断结论。 3. 生成随访提醒，分为“需补充信息”“建议检查”“随访事项”三部分。 输出要求：每部分不超过5条，每条注明依据的数据来源时间点。

这套模板看起来简单，但实际跑下来非常稳。关键不在于“专业性”，而在于“可执行性和可校验性”。校验层真正起作用的地方是强制声明来源：如果Agent说“建议检查糖化血红蛋白”，它的依据必须来自某次检验记录，而不是来自模型内部的知识。

2.3 只看模型不行：人、机、环三方走查

研究进行到第二周，我悟到一个贯穿始终的原则：只看模型不看流程是自欺欺人。哪怕模型跑分再漂亮，放进医院真实工作流里也可能瞬间崩掉。比如模型建议“明天上午来复查”，听上去很贴心，但医院的实际预约渠道、叫号系统、护士排班根本没有跟着联动。你说一个负责任的患者，他能直接办到吗？做不到。这类问题不属于模型能力，而属于生态嵌入。

所以我开始要求自己，研究每一类Agent场景时，都必须做一次“人机环走查”。人，指的是医生、护士、患者、信息科、管理者这些角色，关注他们的认知负荷和信任水平。机，指的是Agent的规划、工具调用、记忆和反思能力。环，指的是院内系统、数据质量、操作流程、排班节奏和培训机制。

具体操作上，每个场景都要回答六个问题：谁触发这个Agent的操作；谁确认Agent的输出；谁对最终结果负责；Agent出错后这个责任归到谁；Agent的数据从哪里来；Agent产生的信息最终存在哪。这六个问题写在一张表里，反复用。项目走到后期，这张表几乎成了最能暴露风险的工具。

举一个例子。一个自动生成随访记录的Agent，表面上看只是把护士的录入工作省了。但走查下来会发现：数据源如果是患者发回的微信消息，那么消息本身就有口语化、缺失单位、错别字等问题；Agent加工后的记录如果直接进病历，出了问题责任归谁就会变成非常棘手的问题。人机环走查把这些问题提前暴露在纸面上，总比等产品上线后在真实环境里爆雷要好。

3. 实操过程：四步走完一轮医疗Agent生态研究

3.1 第一步：候选场景扫描与评分卡筛选

场景池一开始列了二十多个候选，包括挂号导诊、智能分诊、病历生成、手术排程、用药审核、慢病随访、病案质控、药物警戒、健康科普、影像报告初筛等等。指望全部做深报告是不现实的，所以我做了一张评分卡来筛选。

评分维度一共五列：触点人数、发生频率、风险等级、AI介入可行性、现有流程数字化程度。每个维度按1到5打分，加权汇总。权重上，我把“风险等级”和“现有流程数字化程度”调得最高，因为风险太低说明研究价值不大，数字化程度太低说明Agent根本接不进去。

最终加权下来，选了三个主场景：慢病随访、病案质控、药物警戒。慢病随访胜在高频、高接触、流程边界清晰；病案质控胜在规则性强、错误可追溯、数字化基础好；药物警戒胜在风险驱动，能体现Agent处理海量信号的价值。影像报告初筛我也保留了，但只做到场景走查，没有搭原型，因为它牵涉的诊断责任链太复杂，不是一轮探索性研究能讲清楚的。

这个筛选过程看起来简单，实际上很重要。它逼着你放弃“所有场景都要聊一聊”的贪心，把精力集中在能讲深、能讲透的地方。

3.2 第二步：慢病随访Agent原型与工作流落地

以慢病随访为例，传统流程是护士手动打电话或发消息，记录患者的血糖、血压、用药反应，再手动提醒复诊。整个过程非常依赖护士的耐心和记忆力，也容易产生记录遗漏。我设计的“慢病随访Agent”工作流分成五步。

第一步，系统从随访名单中抽取当日应该随访的患者。第二步，Agent基于患者上一次就诊记录、用药清单和最近检验结果，生成个体化随访问题。第三步，生成的问题先由护士检查确认，确认后通过院内触达渠道发给患者。第四步，患者回复后，Agent抽取结构化信息，比如血糖值、症状关键词、用药偏差，写进随访记录。第五步，如果出现红旗信号，比如“严重低血糖”“胸痛加重”这类描述，系统立即升级到护士人工处理。

这条工作流里最关键的设计不是自然语言对话有多聪明，而是“哪些内容必须人工确认”。我在提示词里明确写死了两个强约束：随访问题批量生成后必须进入护士确认环节；任何红旗信号不得由Agent直接处理，只能转交人工。

技术栈方面，我没有堆砌复杂架构。核心是检索增强，让Agent可以检索历史随访记录和患者基础档案；外围用轻量工作流脚本把工具调用串起来；最后加一层人工标注测试集，用来评估每个环节的输出质量。这个方法的好处是容易解释、也容易排查问题。

3.3 第三步：访谈设计、影响链路图与反馈回路

原型推演的同时，我启动了访谈。访谈对象包括某三甲医院的B医生、负责慢病管理的C护士、信息科D工程师、E患者代表、医疗质量顾问F，以及某医疗信息化厂商的产品负责人G。全部使用字母代称，访谈内容不做录音转写，只结构化记录。

访谈时我不问“你觉得AI好不好”，因为这个问题得到的全是态度，没有行为。我更关心的是行为改变点。比如：“如果随访记录自动生成，你能节省多少时间？省下来的时间你会拿来做什么？”再比如：“如果病案质控Agent在归档前自动提示缺失项，你的处理流程会不会变？”还比如：“你最不希望Agent替你做哪一步？”

这些问题的答案很适合转成影响链路图。以慢病随访为例，访谈整理出的链路是：随访Agent自动生成记录，护士录入时间下降；释放出来的时间转向高风险患者；高风险患者被更及时地干预，随访率上升；医生获得更连续的患者数据，慢病管理方案调整更有依据；更连续的数据反过来要求Agent有更高的记录准确度，形成新一轮迭代。

影响链路不是线性的，它会长出反馈回路。随访率提升之后，医生需要看的患者数据变多了，于是又要引入新的Agent做趋势摘要。这就是影响从“优化单点效率”变成了“调整整个信息生产结构”。这类回路在访谈里反复出现，也成了生态影响研究中最重要的叙事线索。

3.4 第四步：三类指标体系与结果输出

研究不能只讲定性故事，最后必须落到可比较的指标上。但这里我要强调一下：指标不是拿真实医院数据跑RCT算出来的，而是在沙盘推演中，用访谈校准后的参数做情景测算。我把它们分成了三类，分别衡量不同层次的生态变化。

效率类指标关注耗时、人工步骤、处理周期，这是最容易被感知的变化。质量类指标关注随访率、记录完整度、异常升级处理及时率，这类指标决定Agent有没有真正改善医疗质量。生态类指标关注角色负荷转移、流程依赖变化、数据质量要求的变化，这类指标最容易被忽视，但恰恰是“生态影响”的题眼。

指标整理如下：

所有数字都标记为“量级估计”，用来给决策者看趋势和方向，而不是精确效益。这个动作很关键。生态影响研究里的数字如果被当成真实临床结果，会误导产品规划。我在最终报告里专门加了一页，说明这些数字来自情景测算，需要后续真实环境验证。

4. 常见问题与踩坑排查实录

4.1 提示词看着专业，实际不干活

这个坑我踩得非常深。早期我给Agent写提示词时，用了大量“你是一名拥有丰富临床经验的医疗专家”“你要以患者为中心”这类描述。实测下来，Agent确实很有“专家腔”，但输出没有任何实际任务拆解能力，只会套用大而化之的模板。原因是过度的角色描述占用了上下文的注意力，却没定义清楚任务本身。

我后来把角色描述全部删掉，换成了清晰的任务定义加示例。比如要求Agent提取随访记录里的血糖数值时，我会直接给三个输入输出对，告诉它什么样的症状描述应该归类为“需要关注”。这个改动在几乎所有场景里都立竿见影。对于提示工程架构师来说，重要的不是让Agent“看起来专业”，而是让它“按可验证的方式干活”。

4.2 Agent在医疗术语上“一本正经胡说八道”

有一次推演慢病随访，Agent把“糖化血红蛋白”和“血糖”概念混在一起，还自动推断出一段风险提示。最麻烦的是它的表述非常流畅，如果不核对原始数据根本发现不了问题。这种术语幻觉在通用大模型里很常见，因为模型对专业术语的记忆是概率性的，不是确定性的，遇到缩写时更容易出错。

我的解决办法不是反复警告“不要胡说”，而是给Agent挂一个术语映射表，并强制它在回答前先核对术语表。同时要求输出时标注信息来源字段，比如“依据随访记录2025-04-02”。这样即便它说错了，人和下游系统也能快速追溯到错在哪。医疗场景里，提示词体系如果不带这类“溯源机制”，就不可能进入生产环节。

4.3 真实数据脏到Agent没法判断

真实医疗数据比想象中脏得多。随访记录里手机号可能是空的，血糖值没有单位，症状描述用的是方言口语，日期格式也不统一。Agent直接读这些数据会产生一批非常漂亮但完全错误的输出。这个问题不是模型能力能解决的，而是数据治理前置。

我在工作流里加了一个“数据清洗前置步骤”：单位不统一的值先统一，无法识别的值标记为unknown，不允许模型猜。标记为unknown的数据会触发护士补充提问。也就是说，我把问题挡在Agent前面，而不是让Agent自己消化。看起来流程多了一步，但从生态角度看，这个步骤恰恰是防止风险扩散的关键缓冲。

4.4 访谈对象出现“愿景漂移”

做访谈时一个很常见的现象是，受访者聊着聊着就进入“未来AI可以解决一切问题”的模式。有一次，一位临床医生直接说“Agent应该能判断患者要不要加药”，这完全超出了我们的研究边界。如果把这个观点原样写进影响链路，整个研究就会被带偏。

我调整了访谈策略：每次访谈控制在45分钟，前20分钟只聊当前流程的事实，比如“你每周花多少时间在随访记录上”“最麻烦的环节是什么”；后20分钟才讨论Agent介入后的假设变化；最后5分钟复核影响链。任何关于“自动判断”的说法，我都会追问一句：“这个变化发生在哪个角色身上？证据是什么？”通过这种方法，愿景被拉回现实，影响链路才没有变成科幻小说。

4.5 问题速查表：症状、原因、排查路径

这张表后来被项目组当成内部排查手册，遇到问题先对号入座。事实证明，大部分Agent在医疗场景里的问题，根源都不是模型不够聪明，而是边界没定义清楚、数据没有准备好、流程没有接住。

5. 项目复盘：提示工程架构师在生态研究里的真正价值

5.1 交付物清单：从矩阵到路线图

项目结束后，我盘点了所有交付物，一共五类。第一类叫“场景-能力-风险矩阵”，把Agent的规划、工具调用、记忆、反思能力映射到每个医疗场景的风险等级上，一张表看清哪里可以做深、哪里必须保守。第二类是分层提示词库，按系统层、任务层、校验层组织，每个场景配一组可裁剪的模板。第三类是影响链路图，用文字加表格维护，明确标注一级影响、二级影响和反馈回路。第四类是指标体系卡，每个场景对应一套可追踪的量化建议。第五类是落地路线图，建议先做低风险、密闭、高频反馈的任务，比如病案预审和随访记录，再逐步进入用药审核和辅助决策。

这些交付物没有一个是单纯的技术输出，全是技术和业务的混合物。回头再看，这正是提示工程架构师这个角色应该产出的东西。

5.2 对“生态影响”的新理解：任务重分配

项目做完之后，我对“生态影响”有了新的理解。它不只是“AI取代了一部分工作”，而是“任务在一群角色之间被重新分配”。随访Agent不会简单地让护士失业，但会把护士的工作重心从“录入”推向“风险干预”。这个过程会连带改变岗位技能结构、培训体系、绩效指标甚至招聘标准。病案质控Agent不会简单地让质控员消失，但会让这个岗位从“逐份看案卷”变成“维护规则和抽查异常”。

这类变化比招聘几个AI工程师复杂得多，也让“Agentic AI在医疗领域的生态影响”成了一项需要持续跟踪的课题。影响链一旦形成，就会不断长出新的节点。今天一个随访Agent盘活了随访数据，明天就可能出现一个依赖这些数据的趋势分析Agent。生态不是静止的图景，而是一连串任务重分配。

5.3 给同行的三条实操建议

如果让我给后来者提建议，我只会说三条。第一条，不要做大而全的“万能医疗Agent”，先选低风险、高频、边界清晰的任务积累信任。医疗场景的信任积累速度远比模型能力迭代速度慢，没有单点信任，就没有扩散可能。第二条，把“拒绝”和“升级”视为Agent的正常行为，而不是失败。一个好的随访Agent，应该知道什么时候该闭嘴、什么时候必须喊人来。这是提示词工程里最容易体现架构思维的地方。第三条，研究生态影响时，一定要同时看技术、数据、流程三者的耦合关系。只换模型不换流程，Agent永远只是演示品；只换流程不换数据，Agent会自己脑补出大量错误信息。

最后再分享一点个人体会。如果让我重来一次，我会在项目第一周就建立“失败案例库”，主动记录Agent在边界上拒绝、误判、过度自信的表现。真正决定生态走向的，往往不是Agent最聪明的时刻，而是它在几千次普通交互里保持了多稳定。这可能是整个研究里我最想留给自己的结论。