医疗RAG诊断系统

医疗RAG诊断系统

该系统是基于LangChain的医疗知识库问答系统，支持通过症状描述进行智能诊断和建议。主要是用于langchain的学习。用的知识库为网络提供的免费json文件。注意： 该系统只是演示系统，请不要做为真实的医疗辅助系统来用。知识库信息并没有进行严密的医学认证！！！

作者信息

学员：道法自然

频道：easy-langent

群组：1

功能特性

• 智能诊断: 根据用户描述的症状，从医学知识库中检索相关信息并提供诊断
• 治疗方案: 提供针对性的治疗方案和注意事项
• ⚙️ 灵活配置: 支持配置不同的大模型、向量数据库和检索策略
• 持久化存储: 支持FAISS和Chroma两种向量数据库
• 友好界面: 基于Streamlit的现代化Web界面

项目结构

medical_rag/
├── app.py                     # Streamlit Web应用主入口
├── config_manager.py          # 配置管理模块
├── medical_rag.py             # RAG核心组件
├── vector_store_manager.py    # 向量数据库管理
├── build_knowledge_base.py    # 知识库构建脚本
├── requirements.txt          # 依赖列表
├── config.yaml               # 配置文件
├── .env.example             # 环境变量示例
└── README.md                # 本文档
​

快速开始

0. 下载医学知识库文件

链接：https://pan.quark.cn/s/89e7981209c3
提取码：qGKt
解压获得medical.json
放在和medical_rag同级目录下

1. 安装依赖

cd medical_rag
pip install -r requirements.txt
​

2. 配置环境

复制环境变量示例文件并编辑:

cp .env.example .env
​

编辑.env文件，配置大模型以及向量数据库。下面是一个例子:

MOTSCOPE_OPENAI_API_KEY=xxxxxxxxxx"
MOTSCOPE_OPENAI_API_BASE="https://api-inference.modelscope.cn/v1"
MODELSCOPE_MODEL = "Qwen/Qwen3.5-35B-A3B"


LOCAL_OPENAI_API_KEY="ollama"
LOCAL_OPENAI_API_BASE="http://localhost:11434/v1"
LOCAL_MODEL = "gemma4:e2b"


EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-0.6B"
EMBEDDING_TYPE = "qwen"

PERSIST_DIR = "./vector_store"
VECTOR_STORE_TYPE = "faiss"
​

3. 构建知识库

首次运行需要构建向量数据库:

# 命令行构建
python build_knowledge_base.py --json_path ../medical.json

# 或在Web界面中点击"重建向量库"按钮
​

可选参数:

• --vector_store_type: 向量库类型 (faiss/chroma)
• --persist_dir: 向量库存储路径
• --embedding_provider: Embedding提供商 (huggingface/openai)
• --embedding_model: Embedding模型
• --device: 运行设备 (cpu/cuda)

4. 启动应用

streamlit run app.py
​

应用将在浏览器中打开，默认地址: http://localhost:8501

使用说明

诊断流程

1. 输入症状: 在文本框中描述您的症状
2. 开始诊断: 点击"开始诊断"按钮
3. 查看结果: 系统将从知识库中检索相关信息并给出诊断建议

配置调整

在侧边栏中可以调整以下配置:

大模型配置

• 提供商: ModelScope / OpenAI / Ollama
• 模型选择: 根据提供商显示可用模型
• Temperature: 控制回答的创造性 (0.0-1.0)
• 最大Token数: 回答的最大长度

向量数据库配置

• 类型: FAISS (默认) / Chroma
• 存储路径: 向量库持久化目录
• Embedding: 模型和设备选择

检索配置

• 检索策略:
  • similarity: 纯相似度检索
  • mmr: 多样性检索，兼顾相关性和多样性
  • similarity_score_threshold: 带阈值的相似度检索
• 返回数量: 检索返回的文档数量

注意事项

⚠️ 免责声明:

• 本系统仅供参考，不作为医疗诊断或治疗的依据
• 如有身体不适，请及时就医
• 系统回答基于知识库内容，可能不完整或存在偏差

常见问题

Q: 首次运行报"向量库不存在"错误

A: 这是正常的，需要先构建向量库。在侧边栏点击"重建向量库"按钮，或运行:

python build_knowledge_base.py --json_path ../medical.json
​

Q: 诊断结果说"不在知识库中"

A: 说明您的症状描述与知识库中的疾病没有匹配到。可以尝试:

1. 使用更具体的症状描述
2. 增加检索的返回数量 (k值)
3. 检查知识库文件路径是否正确

Q: 如何切换向量数据库?

A: 在侧边栏的"向量库配置"中选择类型，然后重建向量库。

Q: 点击开始诊断长时间没反应

A： 可能是大模型配置不对，请点击左侧的测试大模型连接来测试大模型配置是否正确。

开发说明

配置管理

系统支持两种配置方式:

1. 环境变量: 在.env文件中配置
2. Web界面: 在侧边栏实时调整

配置保存后会立即生效，无需重启应用。

自定义知识库

如果需要使用其他医学知识库，只需修改medical.json文件的路径或内容。每条记录应包含:

• name: 疾病名称
• desc: 疾病描述
• symptom: 症状列表
• cure_way: 治疗方法
• 等其他可选字段

License

MIT License