作品名称：基于RAG的交互式医疗问答助手研究与实现

学生姓名：张子航

指导教师：高思雨

作品简介：

该研究设计并实现了基于RAG的交互式医疗问答助手，目的是解决我国医疗资源分布不均、供需矛盾突出背景下，公众获取健康信息不准确、大语言模型“幻觉”问题难以在严肃医疗场景落地的痛点，破解传统搜索引擎信息碎片化、缺乏权威医学依据的难题。系统整合中文内科医疗知识库与大语言模型，为患者提供有依据、可追溯的健康咨询服务，有效降低医疗信息不对称，帮助用户提前了解病情与就诊方向，系统主要由知识库构建、检索增强引擎、多轮对话管理和前端可视化几部分构成。

架构设计与算法实现环节采用FastAPI+Vue.js前后端分离架构，实现后端RAG推理服务与前端交互界面的高效解耦，保障系统开发效率与可扩展性。医疗知识的语义检索通过BGE中文向量模型将约20万条内科问答转换为768维稠密向量，结合FAISS索引实现毫秒级近似最近邻搜索；融合Deepseek大语言模型与LangChain框架构建标准化RAG流水线，通过提示词模板强制模型基于检索资料作答并标引出处；引入对话状态管理机制，维护多轮对话上下文连贯性与指代消解，进一步提升系统回答的准确性与交互体验。

成果展示：

创新点：

1. 构建完整的“检索-增强-生成”技术闭环，融合BGE中文向量模型与FAISS语义检索，将大语言模型幻觉率从17.3%降至5%，实现医疗回答的全链路可追溯，为患者提供有权威依据的健康咨询服务。

2. 引入多轮对话状态管理机制，采用窗口记忆策略动态维护最近5轮对话上下文，解决医疗咨询中逐步追问、指代模糊的交互痛点，实现连贯自然的门诊式问答体验。

3. 全开源技术栈实现，基于消费级GPU即可稳定运行，单次检索延迟48毫秒、端到端响应4.2秒，系统易部署、成本低，适配基层医疗机构硬件条件。