RAG 升级实战：借鉴横浜市 AI 癌症咨询系统，构建医疗级高可信知识检索流

医疗领域的 AI 咨询系统，最大的挑战从来不是模型能力，而是“答错了怎么办”。当患者拿着 AI 给出的建议去和医生沟通时，任何一次不准确的表述都可能引发信任崩塌。横浜市推出的 AI 癌症咨询系统“ランタン”，正是围绕这一痛点，用 RAG（检索增强生成）架构给出了一个值得借鉴的工程样本。它的核心思路并不神秘：不追求模型“记住”所有医学知识，而是让模型在回答时实时检索经过审核的专业资料库，并以此为依据生成答案。这种“先检索、后作答”的流程，本质上是在用工程手段约束模型的自由发挥空间。

知识库的质量，决定了答案的下限

很多团队搭建 RAG 系统时，第一步就错了——他们急于处理文档格式、切分文本、调向量模型，却忽略了最根本的问题：知识库里装的是什么。横浜市系统的启示在于，医疗级 RAG 的知识库构建，本质上是一个“准入制”过程，而不是“搬运工”过程。

普通企业知识库可以追求“尽量全”，医疗场景则必须追求“尽量准”。这意味着每一份进入知识库的文档，都需要经过明确的来源审核：是哪个机构发布的指南、最近一次修订是什么时候、是否经过专业医生的复核。实际操作中，建议为每份文档打上“权威等级”标签，例如官方诊疗指南、学术期刊综述、医院内部共识、科普文章，不同等级在检索排序时占据不同权重。同时，知识库需要建立定期清理机制，医学指南更新频繁，过期的建议比没有建议更危险。

另一个常被忽视的细节是版本管理。同一疾病在不同年份的指南可能给出不同建议，如果知识库同时存在新旧版本，检索结果就可能出现矛盾。横浜市系统的做法值得参考：为每个知识点维护“生效时间”字段，检索时自动过滤掉已失效的版本，确保模型永远基于当前有效的医学共识作答。

多步验证的检索链，把“答错”变成“答不出”

有了高质量知识库，接下来要解决的是检索准确性问题。医疗场景下，患者提问往往口语化、模糊，比如“化疗期间能喝茶吗”和“紫杉醇和绿茶有相互作用吗”指向的是完全不同的检索需求。如果只做一次向量相似度检索，很容易召回不相关的内容。

更稳妥的做法是把检索拆成多步验证链。第一步是意图识别与关键词规范化，把患者的口语表述转换成标准医学术语；第二步是基于规范后的术语做初筛，召回候选文档；第三步是关键信息核对，检验召回文档是否真正覆盖了问题中的核心要素，比如药物名称、剂量、禁忌人群。只有通过全部验证步骤的内容，才进入生成环节。

这套流程的价值在于，它把“模型的判断”替换成了“流程的判断”。模型不再被要求直接输出答案，而是被要求基于验证通过的文档进行归纳。当检索结果不足以支撑回答时，系统应当明确告知“当前资料无法可靠回答该问题”，而不是强行生成一个看似合理的答案。这种“宁缺毋滥”的策略，在医疗场景中远比追求回答率更重要。

冲突建议的处理：让矛盾显性化，而不是掩盖

医疗信息天然存在冲突。不同指南对同一问题的推荐可能不同，不同医院的用药方案也有差异。如何处理这些冲突，是医疗 RAG 系统绕不开的难题。

一个常见错误是让模型在生成时“中和”矛盾，输出一个折中版本。这在医疗场景中非常危险，因为医学建议往往不是可以简单取平均的。更合理的设计是让冲突显性化：当检索结果中存在相互矛盾的建议时，系统应同时呈现各方观点，并标注各自的来源等级和适用条件，让患者带着完整信息去咨询专业医生。

横浜市系统的处理思路可以概括为“不替医生做决定，只帮患者做准备”。系统在回答中会明确区分“已有共识”和“存在争议”的内容，对争议部分给出不同来源的表述，并提示患者这些差异可能源于个体情况不同，最终方案需由主治医生确定。这种设计既保证了信息的完整性，也划清了 AI 的职责边界。

可信来源标注：让患者看见答案的依据

关于可信来源标注，一个具体的设计建议是：在每条回答底部附上“证据卡片”，而非简单的引用链接。证据卡片应包含三个要素：来源机构名称、文档标题与发布日期、与当前问题的相关度说明。例如，回答中涉及化疗副作用管理时，证据卡片可以显示“来源：日本癌症学会患者指南，2024年修订，与您询问的恶心症状管理直接相关”。

这种设计的意义在于，它把“AI 说的”转变成了“某机构在某份文档中说的”。患者可以自行判断来源的权威性，也可以拿着证据卡片去和医生核对。对于开发团队而言，证据卡片同时是质检工具——运营人员可以定期抽查回答与证据卡片的匹配度，发现检索偏差并及时修正知识库。这比单纯依赖模型评估指标更直观、更可操作。

回到横浜市“ランタン”系统的整体思路，它给医疗 RAG 开发者的核心启示可以概括为三点：知识库要设准入门槛，检索链要做多步验证，冲突信息要透明呈现。这套方法论同样适用于金融、法律等对准确性要求极高的垂直领域。技术架构可以复制，但真正拉开差距的，是团队是否愿意在“让 AI 少犯错”这件事上投入足够的工程耐心。