公众号
标题：门诊8分钟之外：DoctorClaw 期望成为医生的“数字分身”
只要你走进一家三甲医院的呼吸内科门诊，就会发现很多医生的一天往往是这样开启的：面前排着 40 多个患者，分摊到每个人头上的平均问诊时间连 8 分钟都不到；一边得听着患者讲述病情，另一边还得在电脑里面把主诉、现病史、查体以及诊断给录入进去；好不容易才把当天的号给看完了，还得去开展整理病历的工作、安排复查事项、跟进老患者的情况；等回到家里，微信里面大概率还躺着几十条患者发来的咨询消息。
医生最为宝贵的时间，其实并没有全都花费在病情判断、医患沟通以及临床决策上面，反而是被海量的重复性事务给吞噬殆尽了。
这也就是我们去打造 DoctorClaw 的初衷所在了。
DoctorClaw 并非是一个“AI 问诊玩具”，而是一个凭借国产算力一体机构建起来的医生智能体平台。它把 Skills 当作核心引擎，并且以医生主导的患者连续管理作为主线，把诊前、诊中、诊后的完整工作流都给覆盖了。我们期望它去完成的事情并不夸张：把医生还给患者，把重复劳动交由 AI 来进行处理。
医生的时间，不该被排号单和病历吞噬
门诊工作所带来的压力，绝不仅仅是“患者多”这么简单。真正去消耗医生的，是多个任务同时压迫过来：得去询问病史，得去做出判断，得去书写病历，得去安排检查，得去叮嘱复查，同时还得对之前的患者进行跟进。
医生面对患者的时间本来就非常短了，但是病历、随访、咨询、整理资料这些工作并不会因为门诊结束就凭空消失不见。它们会把医生的休息时间给挤占掉，同时也会反过来压缩下一次问诊的质量。
所以，DoctorClaw 的目标并不是去替医生看病，而是替医生承担起那些能够被结构化、被流程化、被反复执行的工作任务。
它想要去解决的，并不是“AI 能不能比医生更加聪明”的问题，而是一个更为现实的考量：医生能不能少做一点机械记录，多一点时间去面对患者？
不是聊天机器人，而是医生的工作台
DoctorClaw 的产品定位十分明确：它作为医生智能体平台，同时也是医生的工作台。
它是由四个价值支柱组合构成的。
第一是医生智能体。它并非那种泛泛的医疗问答助手，而是尽可能地去理解医生本人的工作习惯、常用模板、随访规则以及管理需求，从而成为医生身边的专属助理。
第二是患者连续管理。门诊并不是单次交易，很多患者都需要进行复查、随访、用药提醒以及风险跟踪。DoctorClaw 期望让医患连接保持不断线，而不是看完一次就陷入失联状态。
第三点则是科室 SkillsHub。单个医生沉淀下来的个人能力，不应该仅仅停留在其个人的电脑里面。科室层面的各项技能、模板、流程以及经验，能够被共同进行创建、共享以及进行复用。
第四点则是国产算力一体机。DoctorClaw 选用了沐曦 METAX 本地化部署方案，这样一来使得数据安全方面变得可控，同时还符合医疗场景针对隐私保护还有本地部署方面所提出来的要求。
把上述这四件事结合在一起，才得以构成 DoctorClaw 想要打造的“数字分身”：它并不是替医生去做出诊断工作，而是替医生去完成整理、跟进、提醒、记录以及执行之类的工作。
结构化任务走短路，复杂任务走智能体
在问诊工作台里面，DoctorClaw 最具辨识度的设计，便是 Skill 与 Agent 双轨并行。
许多医疗 AI 产品倾向于把所有的事情统统塞进一个聊天框里面：医生问上一句，AI 就答上一句，看起来似乎挺有未来感，可是真正融入到工作流之后，往往不够稳定，同时还不够可控。
我们做出的判断是：不同的任务理应去走不同的通路。
那些高频的、固定格式的任务，例如门诊病历结构化，就适合走 Skill 模式。它借助单次 LLM 调用、JSON Schema、Pydantic 校验，还有 field_diff 事实比对，在几秒钟内便能输出结构化病历草稿内容。等到医生予以确认之后，再把它写入正式病历里面。
这类任务所追求的并不是“AI 很会聊”，而是快、稳、准。
复杂任务则走 Agent 模式。DoctorClaw 的 Agent 模式凭借 DeepAgents、LangGraph 还有 MCP 构建起智能体调度中枢系统。主 Agent 把任务拆解开来，子 Agent 分别负责去执行临床助手、随访编排之类的工作，并且能够去调用 19+ 医疗工具。要是遇到关键决策，系统便会自动触发 HITL 人工确认横幅，医生点击确认之后，流程才会继续往下走。
用一句话来进行总结：结构化任务走短路，复杂任务走智能体。
这绝非技术炫技，而是为了让 AI 在医疗场景里面变得更加可控。
病历 AI 的底线：未提及信息绝不编造
病历结构化是我们花费功夫最多的 Skill 之一。
医疗文书和普通文本并不相同。它并不是“写得像”就可以，而是必须做到准确、完整、可审计。医生最为忌惮的并不是 AI 写得慢，而是 AI 把患者未曾说过的内容写进病历里面。
因此，DoctorClaw 的病历结构化 Skill 设置了四道质量关卡。
第一，输出必须符合预定义的病历 JSON Schema。主诉、现病史、查体、诊断等字段不能随意进行发挥。
第二，未提及信息绝不编造。只要原始问诊之中没有出现，就把它标记为“待补充”，而不是让模型去自动进行补全。
第三，每次开展生成工作时都会把完整的审计日志保留下来，涵盖了输入、输出以及 field_diff 事实比对。要是出了什么问题，便能够借此开展追溯工作。
第四，必须在医生确认之后才可以写入到正式病历当中。AI 仅仅是负责去生成草稿而已，最终的决定权始终是掌握在医生手里的。
针对 PoC 验收指标而言，我们定下了相当明确且具体的目标：必填字段完整率绝不能低于 90%，事实性错误率绝不能高于 5%，并且医生改稿时间跟纯手工操作比起来要缩短不低于 30%。
设定这些指标并不是为了让产品表面显得好看，而是为了让医生们真正敢于去运用。
技能并非简单的功能按钮，而是能够不断沉淀下来的医疗能力
DoctorClaw 里面存在着一个极为核心并且重要的概念：Skills。
我们其实并不希望 AI 能力仅仅只是一堆固定的按钮罢了，比如“写病历”“生成随访”“回复咨询”。我们反倒更希望医生能够像装 App 那样，去装配并且组合属于自己的 AI 能力。
每个医生都可以建立起属于自己的个人技能库，能够自由地去启用、停用、编辑、发布自己的 Skill。与此同时还能够在技能广场当中浏览其他医生分享出来的技能，或者一键同步 ClawHub 开放医疗技能。
这么一来也就意味着，一个优秀的 Skill 绝不仅仅只是给单个医生提供相应的服务而已。它完全能够在科室内部开展复用工作，能够在平台上面开展共享工作，并且还能够凭借真实的运用场景不断地开展迭代以及优化工作。
随访计划其实也是同样的道理。医生能够去创建诸如“感染后 2 周复查”这类的随访计划，把对应的 Skill 绑定上去，然后再将其交给 APScheduler 去自动执行。等到任务到期的时候，调度器每分钟都会开展一次扫描工作，把执行的结果自动推送到通知中心里面。这样一来，医生就不再需要依靠记忆还有表格去时刻紧盯着几百个患者了。
这类功能表面上看起来似乎不如“AI 看病”那样具备视觉冲击力，不过它反倒更加贴近于医生真实想要获得的东西：少漏掉哪怕一件事情，少去补一份记录，少重复解释一遍。
本地化部署，是医疗 AI 无论如何也绕不开的现实问题
医疗 AI 绝对不能仅仅只去谈论模型的能力，同时还要必须要去探讨部署的方式、数据的安全、算力的成本以及医院方面的接受程度如何。
DoctorClaw 的技术架构从底层一直到应用层开展拆分划分工作，总共形成了六层：最底层选用的是沐曦国产算力一体机；再往上走则是本地大模型、多模态模型以及专科模型；再往上就是知识层了，里面涵盖了指南、文献、病历模板、科室规范还有医生的经验；中间部分则是 Skills 层，把文书、随访、专病、宣教、科研、教学等各项能力全面覆盖了进去；再往上便是智能体层，凭借 AI 智能体调度中枢把医生助理和患者管理智能体连接组合起来；最上面一层是应用层，里面包含了医生工作台、科室协作以及移动端患者连续管理。
服务同样也开展了分层处理工作：Medical API 负责处理患者、问诊、技能、随访这些业务；MCP Server 提供了相应的 Agent 工具层；Agent API 负责去开展 SSE 对话和 HITL 续跑工作；Frontend 则承担起了医生工作台界面的展示工作。
DoctorClaw 同时还提供了四档产品矩阵：医生个人版选用单卡 AI 一体机，适合在专家门诊和主任办公室里面进行使用；科室版选用八卡 AI 一体机，适合医院科室、专病中心以及 MDT 来开展使用；医院级扩展版支持多机扩展，能够服务于全院智能体平台；区域中心级则是面向医共体和城市医疗 AI 节点的。
统一平台架构、本地化部署、数据安全可控、国产算力按需扩展，这四条原则是我们一直以来都在坚持贯彻的。
医疗 AI 不缺概念，缺的是医生愿意拿来用的产品
就目前而言，DoctorClaw 的 MVP 阶段已经得以完成：患者队列、问诊双轨工作台、个人技能、ClawHub 广场、随访计划、通知中心、审计日志等核心功能都已经就位了；同时 DeepAgents Harness 的 Phase 0 到 Phase 5 也已经完成，涵盖了 MCP 工具、子 Agent、HITL 还有前端中断确认；病历结构化 Skill 也已经形成了 Structured Output、field_diff 以及医生确认的闭环。
接下来，我们还会继续推进 RAG 知识层的接入工作、开展真实 HIS 的对接工作、进行沐曦国产算力的本地推理、引入 ASR 语音交互、对患者风险分层与洞察进行分析，并且把科室 SkillsHub 和移动端也给做起来。
我们其实并不想把 DoctorClaw 包装成一个无所不能的医疗 AI。在医疗场景当中，真正能体现价值的产品，往往不是最擅长讲概念的那个，而是能够真正融入医生日常工作里面、并且被医生一直持续拿来使用的那个。
DoctorClaw 想要去做的，是一个安安静静站在医生身后的数字分身：帮医生把病历整理好，盯着随访进度，把重复性的事务给处理掉，同时做到不越权、不产生幻觉、也不去打扰。
把时间还给医生，把医生还给患者。这是我们做这件事的时候，内心最为坚信的一句话。
小红书
标题：医生最贵的时间，不该被病历吞掉
正文约 680 字
门诊看诊就 8 分钟，医生真正能够看着患者说话的时间究竟有多少呢？
很多人心里的就医体验往往是这样的：排了很久的队，好不容易见到医生还没把话讲完，医生就已经开始敲击键盘了。可是医生也相当无奈，一边得去询问病史、判断病情，一边还得把主诉、现病史、查体还有诊断给记录下来。
把门诊看完，事情其实并没有结束。病历需要进行整理，复查得去安排，老患者也得跟进，回到家说不定还有一大堆咨询消息在那等着回复。
医生最为宝贵的时间，往往不是被某一次高难度的诊断给消耗掉的，反而是被大量重复性的事务给吞没掉的。
所以当我们在做 DoctorClaw 的时候，脑海里的第一个念头并非“AI 能不能代替医生去看病”，而是：AI 能不能先把这些杂七杂八的事情给接手过去？
拿个例子来说吧，患者队列这块能不能让人一眼就能看清楚今天究竟要看哪些人？
待接诊、问诊中、已完成这些状态都在实时进行刷新操作，初诊、复诊、慢病、急需评估这全都可以开展筛选工作，医生再也不用去翻找纸质排号单了，也不用来回切换系统。
再举个例子来讲，病历这块能不能先让 AI 把结构化草稿给生成出来呢？
医生在问诊的时候采集相关信息，AI 按照病历结构给整理出来，医生再去开展审阅工作、确认并且写入进去。
又好比说，随访能不能做到自动提醒呢？
像“感染后 2 周复查”这类的计划在绑定 Skill 之后，系统就会自动去执行操作，到期便推送通知，医生再也不用靠着记忆力去死盯几百个患者了。
医疗 AI 最容易犯的错误，就是一上来就想去做一个特别会聊天的“AI 医生”。
但是医生真正欠缺的，未必是一个会回答问题的聊天框，反倒是一个能够帮他们少写那些重复记录、少漏掉随访、少去补资料的工作台。
AI 进入门诊，这第一步不该是去抢夺医生的诊断权，而是应当把医生从重复劳动当中给拉出来。
要是医疗 AI 只能先去做一件事的话，我会选择先去把医生看不见的那些杂事给做了。
标题：医疗AI别都做成聊天机器人
正文约 690 字
很多医疗 AI 一上来就想着去做一个“会聊天的医生助手”，但是我们越做就越觉得：在医疗场景里面，并不是所有的任务都适合交给聊天式的 Agent 去完成的。
DoctorClaw 在问诊工作台里面做了双轨设计：也就是 Skill 模式和 Agent 模式。
道理其实挺简单的。医生每天手头要处理的任务差别很大。
有些任务出现的频率特别高、格式也是固定的、要求就是稳定不出错，好比门诊病历结构化这种；还有些任务就比较复杂了、得走好几个步骤、需要不断追问并且进行调度，就像是随访编排还有临床辅助。
要是把所有的任务一股脑全扔给一个大模型聊天框，最后的结果往往是这样的：简单的任务做起来不够快，而复杂的任务又不够稳当。
固定的任务就该去走短路才行。
DoctorClaw 里面的 Skill 模式恰恰就是专门给这类任务来准备的。它借助单次 LLM 调用、JSON Schema、Pydantic 校验，并且还配合上 field_diff 事实比对，从而能够快速地把结构化病历草稿给输出出来。这样一来，医生看到的就不再是一段随便自由发挥的文字了，而是那些字段清清楚楚、能够进行校验、也可以直接确认的内容。
只有复杂的任务才去走智能体那条路。
Agent 模式是凭借 DeepAgents、LangGraph 还有 MCP 来开展构建工作的。主 Agent 负责把任务给拆解开，子 Agent 分别去对任务进行执行，19+ 医疗工具能够随时取用。要是遇到了关键的决策，系统就会触发 HITL 人工确认，等医生点确认之后，流程才会继续往下走。
这套设计的关键核心其实并不在那些技术名词上面，而是体现在那种边界感上面。
医疗 AI 绝对不能仅仅去追求“看起来好像很聪明”。医生真正想要弄清楚的是：哪些地方 AI 可以稍微快一点，哪些地方 AI 必须得停下来，还有哪些地方是必须得交由医生来进行确认操作的。
结构化任务必须得稳当才行，复杂的任务得能够进行追问，并且关键的节点必须得有人来把关确认才行。
要是医疗 AI 产品仅仅只会做一个聊天的入口，那它其实是很难真正进入到医生的工作流里头的。任务得拆解开来，通路也要分开，同时责任更是得写得明明白白的才行。
可靠性可不是靠着模型更会聊天来获取的，而是凭借对任务边界开展设计工作才得以实现的。
标题：病历AI最怕的不是笨，是编
正文约 700 字
病历 AI 到底最怕啥？
并不是写得慢，也不是排版看起来不好看，而是它竟然把患者压根没提过的内容给写进去了。
普通的文案要是写错了，大不了改过来就行。可病历要是写错了，受到影响的那可就是医生的判断、还有后续的治疗方案，严重的话甚至会牵扯到医疗安全。
所以啊，DoctorClaw 在进行病历结构化 Skill 构建的时候，定下来的第一条原则并不是“写得快”，而是：没有提及的信息绝对不去进行编造。
我们给病历 AI 总共设了四道把关的地方。
第一道关就是结构。输出的内容必须得符合预定义病历 JSON Schema 才行。主诉、现病史、查体、诊断这些字段可不能随随便便乱飘。医疗文书可不是什么自由创作，格式本身其实就是质量的一个关键组成部分。
第二道关则是事实边界。只要在问诊过程当中没有提到的东西，系统就会把其标记成“待补充”，绝对不会让模型自己去自动脑补。现在很多 AI 产品的问题其实不是不会回答，而是太想要回答了，连没听到的内容都给硬补上去。
第三道关是审计环节。每次进行生成操作都会把完整的日志保留下来，这其中包括了输入、输出还有 field_diff 事实比对。这样一来，医生看到的就不单单是个结果了，同时也能搞清楚结果到底是从哪儿来的。
第四道关就是确认了。AI 仅仅只会生成草稿，得等医生确认之后才能够写入到正式病历当中。这个动作表面上看起来好像只是点一下那么简单，但它却把责任边界给划分得清清楚楚：AI 负责辅助，而决策得交由医生来做。
我们还给 PoC 进行了非常具体的验收指标设定：必填字段的完整率不能低于 90%，事实性错误率不能高于 5%，医生改稿的时间跟纯手工相比减少的比例不能低于 30%。
这些数字并不是为了对产品进行包装，而是为了回答一个更为现实的问题：医生到底敢不敢去运用？
医疗 AI 绝对不是越会写就越有价值，反而是越可控才越能够体现出真正的价值来。
模型的能力哪怕再强，一旦进入了病历场景之中，也必须被结构、边界、审计以及确认机制给牢牢地管束住。
对医生来说的话，一个会写但是会去编造的 AI，还不如一个稍微慢一点但是能够把边界守住的 AI。
朋友圈
第一句话：门诊最怕的其实不是忙，而是医生把时间都花费在了患者看不见的事情上面。
正文约 180 字
门诊最怕的其实不是忙，而是医生把时间都花费在了患者看不见的事情上面。
排号、书写病历、整理资料、安排复查、跟进老患者、回复咨询，这些事情未必会发生在诊室里面，却会一点点地把医生的休息时间给吞噬掉。
DoctorClaw 想要做的，并不是替医生去看病，而是把这些重复性的劳动给接手过去。患者队列、病历草稿、随访提醒、通知中心，让 AI 去充当医生的数字分身。
医生最应该省下来的，其实不是敲击键盘的时间，而是能够和患者进行交流沟通的时间。
第一句话：要是医生真有数字分身，先别让它去进行诊断工作。
正文约 180 字
要是医生真有数字分身，先别让它去进行诊断工作。
它最应该先做的，是替医生去盯随访、整病历、管患者队列、提醒复查。这些工作重复并且琐碎，但是一旦漏掉的话，就会对患者的管理工作造成不良影响。
DoctorClaw 的思路是让 AI 充当医生的助手：结构化的任务走 Skill，复杂的任务走 Agent，而关键节点则必须由医生来进行确认操作。
只有不越权、不产生幻觉、不去打扰，AI 才能够真正地进入医生的工作流之中去。
口播稿
标题：医生的数字分身，不是替医生看病，而是替医生干活
正文约 660 字
预计口播时长约 2.5 分钟
不少人在听到“医疗 AI”这个词的时候，第一反应往往都是：AI 是不是打算替医生来看病了？
不过我们在开展 DoctorClaw 的研发工作时，最想要去解决的其实并非这个痛点。我们最先留意到的实际情况是，医生一天的工作当中有太多的时间都被那些重复性的劳动给消耗掉了。
大家不妨去三甲医院的门诊实地观察一下，一个医生面前极有可能排着 40 多个等候的患者，平均下来问诊的时间甚至还不到 8 分钟。医生一边得听着患者讲述病情，同时还得敲击键盘去录入主诉、现病史、查体以及诊断信息。等门诊看完了，还得去对病历资料进行整理、安排复查事宜并且跟进老患者的情况。等回到了家，极有可能还有一大堆患者的咨询消息正等着去回复。
医生最为宝贵的时间，实际上并不是被那些高难度的诊断工作给消耗殆尽的，反而是被海量的重复性事务给一点点吞噬干净了。
鉴于这点，DoctorClaw 想要去打造的，绝不是替医生去开展诊断工作，而是想要充当医生的这么一个“数字分身”。
那么这个数字分身具体都会干些什么呢？
它可以协助医生去查看患者队列情况：今天等待接诊的到底是谁、正在问诊中的又是谁、已经完成问诊的还有谁，并且针对初诊、复诊、慢病以及急需评估等类别，都能够开展筛选处理工作。
它还可以协助医生去撰写病历草稿：借助病历结构化 Skill，依照既定的结构来生成相关内容，对于未曾提及的信息绝对不会去进行编造，只有等医生确认无误之后，才会写入到正式病历当中去。
它也能帮着医生去盯紧随访事宜：比如说遇到“感染后 2 周复查”这种情形，系统便能够自动去执行任务，等到期了就会发出提醒，同时还会把结果推送到通知中心里去。
它同样具备对复杂任务进行处理的能力：依靠 Agent 模式来把任务进行拆解、调用相关工具，同时在关键环节主动停下来，等待医生予以确认。
这其实蕴含着一个极为重要的原则：结构化的任务走短路逻辑，复杂的任务则走智能体路径，而关键的决策环节必须交还给医生来予以定夺。
医疗 AI 绝对不能仅仅去追求“表面上看起来很聪明”。它必须得做到可控、可追溯同时可确认。医生到底愿不愿意去选用它，并不取决于 AI 会不会说话，而是取决于 AI 会不会在那儿胡乱说话。
我们之所以坚持选用本地化部署和国产算力，同样是遵循着这样一套逻辑。医疗数据本身极具敏感性，医院方面需要确保数据安全能够切实可控，同时算力也得能够按照实际需求来开展扩展工作。
DoctorClaw 根本不想去做一个单纯炫技的 AI 问诊玩具。我们真正想要去打造的，是那个能够安静地站在医生身后的数字分身：绝不越权、绝不产生幻觉、同时绝不构成打扰。
把那些重复性的劳动统统交由 AI 去进行处理，把宝贵的时间还给医生，最终把医生还给患者。
