使用说明

🏥 医疗分诊助理

一个基于人工智能的医疗分诊系统，将用于智能评估的LangChain与用于患者数据检索和预约的MCP（模型上下文协议）工具相结合。

概述

该项目展示了一个生产就绪的工作流程，该流程：

从自然语言输入中提取患者信息
验证信息的完整性
通过MCP工具检索患者病史
使用LLM推理评估紧急程度
预约（紧急/标准护理）

特性

LangChain集成：使用ChatOpenAI进行智能提取和紧急性评估
MCP工具：结构化工具调用患者病史和预约
综合录井：每个步骤都记录输入、LLM响应和工具调用
Gradio用户界面：基于Web的界面，便于交互
测试套件：内置测试用例，涵盖各种分流场景

建筑

User Input → LangChain Extraction → Validation → MCP History Tool
                                         ↓
Final Summary ← MCP Booking Tool ← LangChain Urgency Assessment

组件：

LangChain：基于LLM的提取和决策
MCP服务器：提供患者病史和预约工具
烟雾剂：用于工具集成的MCP客户端
格拉迪奥：用于用户交互的Web UI

先决条件

Python 3.11+
LM Studio在本地运行（默认值：http://127.0.0.1:1234/v1)
虚拟环境

安装

克隆和设置虚拟环境：

cd agent-mcp-play
python3.11 -m venv virtualenv
source virtualenv/bin/activate  # On macOS/Linux

安装依赖项：

pip install -r requirements.txt

启动LM工作室：

运行LM工作室
加载兼容的模型（例如devstral-small-2505）
确保服务器正在上运行http://127.0.0.1:1234

用法

选项1：Web用户界面（Gradio）

cd src
python ui_gradio.py

打开浏览器http://127.0.0.1:7860

输入示例：

“我有轻微头痛。患者编号为P12345。”
“严重胸痛，无法呼吸。我的身份证号码是P67890。”
高烧103.5华氏度，咳嗽。患者P11111

选项2：运行测试套件

cd src
python langchain_agent.py

这将运行9个预定义的测试用例，涵盖各种场景：

轻微症状（头痛、胃痛）
严重/紧急病例（胸痛、严重出血、中风症状）
不同的病史（哮喘、高血压、无记录）
缺失信息处理

文件结构

agent-mcp-play/
├── README.md                    # This file
├── requirements.txt             # Python dependencies
├── .gitignore                   # Git ignore patterns
├── virtualenv/                  # Python virtual environment (ignored)
└── src/
    ├── langchain_agent.py       # Main triage agent with LangChain
    ├── mcp_server_simple.py     # MCP server with tools
    └── ui_gradio.py             # Gradio web interface

运作原理

步骤1：提取患者信息（LLM）

使用LangChain解析自然语言并提取：

患者ID（格式：P12345）
症状描述

步骤2：验证完整性

检查是否存在所需信息。如果缺少，则返回错误消息。

步骤3：获取患者病史（MCP工具）

呼叫 get_patient_history 从数据库/EHR检索医疗记录的工具。

步骤4：评估紧迫性（LLM）

LangChain评估症状+病史以确定：

紧急：当天护理（胸痛、呼吸困难、严重出血、中风症状）
标准每周24小时（轻度症状，轻伤）

步骤5：预约（MCP工具）

呼叫 book_urgent_care 具有紧急级别的工具，用于安排适当的预约。

患者数据样本

MCP服务器包括测试患者数据：

患者ID	病史
P12345	轻度嗜酸性粒细胞增多，无慢性疾病
P67890	高血压，既往心脏事件（2020年）
P1111	哮喘、季节性过敏
P22222	健康，无重大病史
其他	首次就诊患者（无记录）

配置

更改LLM模型

编辑 langchain_agent.py:

llm = ChatOpenAI(
    model="your-model-name",
    openai_api_base="http://127.0.0.1:1234/v1",
    openai_api_key="dummy",
    temperature=0.7,
    max_tokens=500,
)

添加更多紧急规则

修改中的紧急提示 langchain_agent.py:

self.urgency_prompt = ChatPromptTemplate.from_messages([
    ("system", """Medical triage expert. Determine urgency.
    
    URGENT: chest pain, breathing difficulty...
    STANDARD: mild symptoms...
    """),
    ...
])

日志记录

该代理在每个步骤提供全面的日志记录：

输入：用户消息，提取的数据
LLM电话：提示和回应
工具调用：函数名称和参数
输出：结果和决定
总结：最终分诊评估

依赖项

关键包（见 requirements.txt):

mcp==1.25.0 -模型上下文协议
langchain>=0.1.13 -LLM编排
langchain-openai==1.1.6 -OpenAI集成
smolagents[openai] -代理框架
smolagents[mcp] -MCP客户端
gradio -Web用户界面

故障排除

问题：“与LM Studio的连接被拒绝”

解决方案：确保LM Studio正在运行并且服务器已启动

问题：“MCP工具不可用”

解决方案：检查一下 mcp_server_simple.py 路径正确 initialize()

问题：“缺少患者信息”

解决方案：在输入中同时提供患者ID（例如P12345）和症状

未来的增强功能

[]与真实的EHR系统集成
[]多语言支持
[]语音输入功能
[]预约日历集成
[]短信/电子邮件通知
[]基于专业的提供商匹配
[]保险验证

许可证

MIT许可证-您可以自由使用和修改您的项目。

贡献

欢迎投稿！请随时提交问题或拉取请求。