当前位置：首页 > news >正文

AI工程化实践：基于MCP与工作流编排构建健康数据聚合服务

news 2026/5/2 5:30:12

1. 项目概述：从零构建一个AI驱动的健康数据聚合服务

最近在GitHub上看到一个挺有意思的项目，叫valora.ai，具体是SUSHI6411/valora.ai仓库下的一个示例应用——健康聚合服务。这个项目本质上是一个利用AI能力来增强开发流程的实践案例，它打包了一个名为ai_valora_v3.7.zip的压缩包，里面包含了一套可以快速上手的服务框架。作为一个在软件开发和AI应用集成领域摸爬滚打多年的从业者，我第一眼就被它“Amplify Your Development with AI”的标语吸引了。这不仅仅是又一个AI工具的宣传，更像是一个具体的、可落地的工程化样板，展示了如何将前沿的AI模型（从关键词看，涉及YOLOv5/v8、目标检测等）与实际的业务工作流（如健康数据聚合）进行深度整合。

这个项目非常适合以下几类朋友：一是希望将AI能力快速集成到现有业务系统中的全栈或后端开发者；二是对AI应用工程化、服务化感兴趣，想了解如何将训练好的模型部署为稳定服务的技术人员；三是正在寻找一个结构清晰、包含AI协作范例的项目来学习或作为起点的团队。它解决的核心问题是“集成”与“协作”——如何让AI模型不再是孤立的脚本或Jupyter Notebook，而是成为可管理、可扩展、能与团队其他成员（或AI助手）协同工作的服务组件。接下来，我会结合我的经验，对这个项目的设计思路、核心实现、实操要点以及可能遇到的坑进行深度拆解，让你不仅能复现这个服务，更能理解背后“为什么这么做”的工程逻辑。

2. 核心架构与设计思路解析

2.1 为何选择“健康数据聚合”作为示例场景

项目选择“健康聚合服务”作为示例，我认为这是一个非常巧妙的切入点。健康数据本身具有多源（来自可穿戴设备、医疗记录、手动录入）、异构（结构化指标、非结构化文本、甚至图像/视频）和时序性的特点，天然适合展示AI的多种能力。在这个场景下，AI可以扮演数据清洗者（处理非标准输入）、分析者（从数据中提取洞察，比如通过头部姿态检测分析坐姿健康）以及预测者（基于历史数据预警）。这比一个单纯的“猫狗分类”示例更能体现AI在真实业务流中的价值。从技术角度看，它迫使架构必须考虑数据管道、模型服务化、结果聚合与API暴露等一系列生产级问题。

2.2 基于MCP与工作流编排的核心设计

从关键词mcp和workflow可以推断，这个项目的核心设计理念很可能围绕Model Context Protocol (MCP)和工作流编排展开。MCP是一种新兴的、用于标准化AI模型与应用程序之间通信的协议。它的价值在于解耦，让模型像微服务一样可以被发现、调用和管理。在这个健康服务中，不同的AI能力（如YOLOv8的身体姿态检测、另一个模型的情感分析）可能都被封装为独立的MCP服务。

而workflow（工作流编排）则是将这些独立的AI服务串联起来，形成业务逻辑的粘合剂。例如，一个完整的健康分析流程可能是：1）接收原始数据 -> 2）调用目标检测服务提取关键点 -> 3）调用另一个服务计算健康指标 -> 4）聚合结果并生成报告。工作流引擎负责调度这些步骤，处理错误重试、数据传递和状态管理。这种设计模式的优势非常明显：高内聚、低耦合。每个AI模块可以独立开发、升级和扩展，工作流则灵活定义业务逻辑，极大提升了系统的可维护性和可扩展性。

2.3 技术栈选型背后的逻辑

关键词透露了丰富的技术信息：python是主语言，torch是深度学习框架，yolov5/yolov8用于目标检测，cursor可能指代某个AI辅助编程工具或IDE，cli表明提供了命令行工具，google可能暗示集成了Google的某些服务（如Cloud APIs或Gemini模型），aim可能指模型实验跟踪工具Aim，而object,detection,trained,headshot,body则直接指向了计算机视觉任务。

这个选型组合非常务实。Python是AI生态的绝对主流，拥有最丰富的库。PyTorch（torch）在研究和生产中的平衡做得很好，动态图特性让模型调试和实验更快。YOLO系列，特别是v5和v8，在目标检测领域以速度和精度平衡著称，非常适合需要实时或准实时处理健康数据（如视频流中的姿态分析）的场景。提供CLI工具意味着项目考虑了自动化部署和脚本化集成，这是工程成熟度的体现。集成Google服务可能用于补充某些特定AI能力（如自然语言处理）或利用其云基础设施。整体来看，这是一个兼顾了开发效率、性能表现和工程化需求的现代AI应用技术栈。

3. 环境准备与项目初始化实操

3.1 系统与基础环境配置

根据项目描述，它对系统要求比较宽松：Windows 10+/macOS 10.14+/主流Linux，4GB RAM，200MB存储空间。但在实际生产或深度开发环境下，我建议将标准提高。特别是如果你打算本地运行YOLO这类模型，独立显卡（GPU）将极大地提升体验。没有GPU，许多检测任务会变得异常缓慢。

我的标准配置流程如下：

Python环境管理：强烈建议使用conda或pyenv创建独立的Python环境，避免污染系统环境。这里以conda为例：
```
conda create -n valora-ai python=3.9 -y conda activate valora-ai
```
选择Python 3.9是因为它在稳定性与库兼容性上取得了很好的平衡，是很多AI项目的“甜点”版本。
关键依赖预安装：PyTorch的安装需要根据你的系统（特别是CUDA版本）去官网获取精确命令。例如，对于CUDA 11.8：
```
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
```
先安装好PyTorch，可以避免后续安装其他依赖时产生冲突。

3.2 获取与解压项目代码

项目提供的下载链接是一个直接的ZIP文件。这里有一个重要注意事项：直接从GitHub raw链接下载大型ZIP文件有时会不稳定。更工程化的做法是克隆整个仓库，然后进入示例目录。

# 克隆仓库（如果网络允许） git clone https://github.com/SUSHI6411/valora.ai.git cd valora.ai/examples/health-aggregator-service/ # 或者，直接下载并解压ZIP（如果仓库很大或只需示例） wget https://github.com/SUSHI6411/valora.ai/raw/refs/heads/main/examples/health-aggregator-service/ai_valora_v3.7.zip unzip ai_valora_v3.7.zip -d health-aggregator-service cd health-aggregator-service

解压后，第一件事是查看目录结构。一个设计良好的AI项目通常包含以下部分：

requirements.txt或pyproject.toml: 依赖清单。
src/或app/: 主要源代码目录。
models/: 存放预训练模型权重文件（.pt, .pth）。
configs/: 配置文件（模型参数、服务端口、工作流定义等）。
scripts/或cli/: 命令行工具脚本。
tests/: 单元测试。
README.md和Dockerfile: 说明文档和容器化配置。

3.3 依赖安装与初步验证

找到依赖文件后，使用pip安装。我习惯先升级pip本身，并使用-U标志确保安装最新兼容版本。

pip install --upgrade pip pip install -r requirements.txt -U

注意：如果requirements.txt中包含torch，且你已经按前述方式安装了特定CUDA版本的PyTorch，这里可能会产生冲突。一个技巧是，在requirements.txt中注释掉torch那一行，或者使用pip install -r requirements.txt --no-deps先安装其他依赖，再手动处理核心依赖。

安装完成后，运行一个简单的验证脚本，检查核心库是否就绪。通常项目会提供一个test_install.py或可以在Python交互环境中测试：

import torch import yolov5 # 或 ultralytics (YOLOv8) print(f"PyTorch版本: {torch.__version__}") print(f"CUDA是否可用: {torch.cuda.is_available()}") # 尝试导入项目的主要模块 try: from src import main print("项目模块导入成功") except ImportError as e: print(f"导入出错: {e}")

4. 核心模块深度剖析与配置

4.1 AI模型服务化（MCP Server）的实现

项目的核心是将YOLO等AI模型包装成MCP服务。我们来看一个可能的实现骨架。假设我们有一个用于检测人体姿态（body）和头部特写（headshot）的服务。

首先，会有一个模型加载与管理类，负责在服务启动时加载训练好的权重（trainedmodels）：

# src/model_manager.py import torch from ultralytics import YOLO import logging class ModelManager: def __init__(self, config): self.logger = logging.getLogger(__name__) self.body_detector = None self.head_detector = None self.load_models(config['model_paths']) def load_models(self, model_paths): """加载YOLOv8模型，分别用于全身和头部检测""" try: # 假设我们使用YOLOv8，它一个模型可以检测多种类别 # 但我们可能针对‘person’和‘head’有不同的权重或后处理逻辑 self.body_detector = YOLO(model_paths['body']) # 例如: 'models/yolov8n-body.pt' self.head_detector = YOLO(model_paths['head']) # 例如: 'models/yolov8s-head.pt' self.logger.info("AI模型加载成功。") except Exception as e: self.logger.error(f"模型加载失败: {e}") raise def predict_body(self, image_path): """执行全身目标检测""" results = self.body_detector(image_path) # 解析results，提取边界框、关键点等信息 detections = [] for box in results[0].boxes: detections.append({ 'class': 'person', 'confidence': box.conf.item(), 'bbox': box.xyxy[0].tolist() }) return detections

接着，会有一个基于FastAPI或类似框架的MCP服务器，暴露标准的HTTP或gRPC端点：

# src/mcp_server.py from fastapi import FastAPI, File, UploadFile from .model_manager import ModelManager import config app = FastAPI(title="健康检测AI服务") model_manager = ModelManager(config.model_config) @app.post("/v1/detect/body") async def detect_body(image: UploadFile = File(...)): """MCP端点：接收图片，返回人体检测结果""" # 1. 保存上传的临时文件 # 2. 调用model_manager.predict_body # 3. 返回标准化JSON响应，符合MCP规范 return {"task": "body_detection", "results": [...]} @app.post("/v1/detect/headshot") async def detect_headshot(image: UploadFile = File(...)): """MCP端点：头部特写检测""" # 类似逻辑... return {"task": "headshot_detection", "results": [...]}

配置要点：在configs/server.yaml中，你需要定义模型路径、服务端口、日志级别等。确保模型权重文件路径正确，并且服务器绑定的IP和端口（如0.0.0.0:8000）不与现有服务冲突。

4.2 工作流编排引擎解析

工作流引擎负责将多个MCP服务调用串联起来。项目可能使用像Prefect、Airflow或自研的一个轻量级DAG（有向无环图）调度器。这里以概念性代码说明其工作原理：

# src/workflow/orchestrator.py class HealthDataWorkflow: def __init__(self): self.tasks = [] def add_task(self, task_name, mcp_endpoint, input_from=None): """定义一个工作流任务""" task = { 'name': task_name, 'endpoint': mcp_endpoint, 'depends_on': input_from # 定义依赖关系 } self.tasks.append(task) def run(self, initial_data): """执行工作流""" results = {} # 简单的拓扑排序执行 for task in self.topological_sort(self.tasks): if task['depends_on']: # 从之前的结果中获取输入 input_data = results[task['depends_on']] else: input_data = initial_data # 调用对应的MCP服务 response = call_mcp_service(task['endpoint'], input_data) results[task['name']] = process_response(response) return results

一个具体的健康数据分析工作流定义（可能在configs/workflow_health_insight.yaml中）可能长这样：

workflow_name: daily_health_aggregation tasks: - name: ingest_raw_data type: input source: api://wearable/device123 - name: detect_body_posture type: mcp_call endpoint: http://localhost:8000/v1/detect/body depends_on: ingest_raw_data input_mapping: raw_data.image -> request.body - name: analyze_posture_quality type: mcp_call endpoint: http://localhost:8001/v1/analyze/posture # 另一个服务 depends_on: detect_body_posture - name: generate_report type: aggregate depends_on: [analyze_posture_quality, ingest_raw_data] action: compile_html_report

编排逻辑的核心在于依赖管理、错误处理（某个MCP服务挂了怎么办？）和结果传递。一个好的编排器应该支持重试机制、超时设置和步骤的回退（fallback）策略。

4.3 配置管理与环境变量

对于此类项目，硬编码配置是万恶之源。必须使用配置文件和环境变量。我推荐使用pydantic+python-dotenv的模式。

# src/config.py from pydantic_settings import BaseSettings from pydantic import Field import os class Settings(BaseSettings): # MCP服务器配置 mcp_body_detection_host: str = Field(default="http://localhost", env="MCP_BODY_HOST") mcp_body_detection_port: int = Field(default=8000, env="MCP_BODY_PORT") model_body_path: str = Field(default="./models/yolov8n.pt", env="MODEL_BODY_PATH") # 工作流配置 workflow_max_retries: int = 3 workflow_timeout_seconds: int = 30 # 数据库/缓存配置（如果项目有） redis_url: str = Field(default="redis://localhost:6379/0", env="REDIS_URL") class Config: env_file = ".env" # 从.env文件加载 env_file_encoding = 'utf-8' settings = Settings()

对应的.env文件：

MCP_BODY_HOST=127.0.0.1 MODEL_BODY_PATH=/opt/models/yolov8n-body-finetuned.pt REDIS_URL=redis://cache:6379/1

这样，在开发、测试、生产环境中，你只需替换.env文件或设置系统环境变量，代码无需任何修改，安全性和灵活性都得到了保障。

5. 服务部署与系统集成实战

5.1 使用Docker容器化部署

单机运行和团队协作、生产部署是两回事。Docker是解决环境一致性的利器。项目很可能已经提供了Dockerfile，如果没有，我们可以编写一个：

# Dockerfile FROM python:3.9-slim WORKDIR /app # 安装系统依赖，如OpenCV需要的库 RUN apt-get update && apt-get install -y \ libgl1-mesa-glx \ libglib2.0-0 \ && rm -rf /var/lib/apt/lists/* # 复制依赖文件并安装 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # 复制应用代码和模型（注意：模型文件较大，考虑用卷挂载或分阶段构建） COPY src/ ./src/ COPY configs/ ./configs/ # COPY models/ ./models/ # 大型模型建议通过卷挂载 # 暴露端口（假设MCP服务运行在8000，工作流API在8080） EXPOSE 8000 8080 # 启动命令，使用环境变量指定配置 CMD ["uvicorn", "src.mcp_server:app", "--host", "0.0.0.0", "--port", "8000"]

构建和运行命令：

# 构建镜像 docker build -t valora-health-ai:latest . # 运行容器，挂载本地模型目录和配置文件 docker run -d \ -p 8000:8000 \ -p 8080:8080 \ -v $(pwd)/models:/app/models \ -v $(pwd)/.env:/app/.env \ --name health-ai-service \ valora-health-ai:latest

关键经验：模型文件通常很大（几百MB到几GB），不适合直接打包进镜像，否则镜像臃肿且难以更新。最佳实践是通过卷（volume）挂载，或者使用对象存储（如AWS S3、MinIO），在容器启动时下载。

5.2 与现有开发工具链集成（Cursor/CLI）

关键词中的cursor和cli提示了该项目注重开发者体验。它可能提供了一个命令行工具，让你可以方便地启动服务、触发工作流、查看日志等。

# cli/main.py (使用click库) import click import requests import json @click.group() def cli(): """Valora AI 健康聚合服务命令行工具""" pass @cli.command() @click.option('--config', default='configs/dev.yaml', help='配置文件路径') def start_server(config): """启动MCP服务器""" click.echo(f"正在使用配置 {config} 启动服务器...") # 这里调用启动服务器的逻辑 os.system(f"uvicorn src.mcp_server:app --reload --config {config}") @cli.command() @click.argument('workflow_name') @click.option('--data-file', type=click.File('r'), help='输入数据JSON文件') def run_workflow(workflow_name, data_file): """执行指定工作流""" data = json.load(data_file) if data_file else {} click.echo(f"执行工作流: {workflow_name}") # 调用工作流引擎 result = workflow_engine.execute(workflow_name, data) click.echo(json.dumps(result, indent=2)) if __name__ == '__main__': cli()

这样，开发者就可以通过简单的命令与系统交互：

# 启动开发服务器 valora-cli start-server --config configs/local.yaml # 运行一个健康报告工作流 valora-cli run-workflow daily_health_aggregation --data-file user_data.json

与Cursor这类AI辅助IDE的集成，可能意味着项目提供了cursor rules或特定的代码片段，帮助Cursor理解项目结构，从而提供更精准的代码补全和建议。

5.3 监控、日志与性能考量

服务跑起来只是第一步，让它稳定、可观测才是工程的关键。

结构化日志：使用structlog或json-logging，输出包含时间戳、服务名、请求ID、级别的JSON日志，便于ELK或Loki收集。
```
import structlog logger = structlog.get_logger() logger.info("mcp_request_received", endpoint="detect_body", image_size=image_size)
```
健康检查与监控：为FastAPI服务添加/health端点，返回服务状态和模型加载情况。使用Prometheus客户端库暴露指标（如请求延迟、错误率、GPU内存使用率）。
性能优化：
- 模型预热：服务启动时，用一张小图“预热”模型，避免第一次请求延迟过高。
- 请求批处理：如果MCP端点支持，可以对多个检测请求进行批处理，提高GPU利用率。
- 异步处理：对于耗时长的分析任务，不要阻塞HTTP请求。可以改为异步任务，通过WebSocket或轮询返回结果。
- 缓存策略：对相同的输入数据，如果结果短期内不变，可以使用Redis缓存检测结果，显著降低模型计算负载。

6. 典型问题排查与实战调试技巧

在实际部署和运行过程中，你几乎一定会遇到下面这些问题。这里是我踩过坑后总结的排查清单。

6.1 模型加载失败或预测报错

问题现象：服务启动时提示“无法加载模型权重”，或运行时出现CUDA out of memory、张量尺寸不匹配等错误。

排查步骤：

检查模型文件路径和权限：确保config.yaml中的路径正确，并且运行服务的用户有读取权限。使用os.path.exists()在代码中打印验证。
验证PyTorch和CUDA版本兼容性：运行python -c "import torch; print(torch.__version__, torch.cuda.is_available())"。确保PyTorch版本与模型训练时使用的版本大致兼容。YOLOv8的ultralytics库对版本比较敏感。
检查模型输入格式：YOLO模型通常期望输入图像为特定的尺寸（如640x640）。你的预处理代码（缩放、归一化、通道转换BGR->RGB）是否正确？添加日志打印输入图像的形状和数据类型。
GPU内存不足：这是最常见的问题。使用nvidia-smi监控GPU内存。解决方案包括：
- 使用更小的模型（如YOLOv8n而不是YOLOv8x）。
- 在代码中设置torch.cuda.empty_cache()。
- 减少推理时的批处理大小（batch size）。
- 如果只有CPU，确保代码中没有.cuda()调用，或者使用device='cpu'参数。

6.2 MCP服务调用超时或网络错误

问题现象：工作流执行到调用某个MCP服务时卡住，最终超时，或返回连接拒绝错误。

排查步骤：

确认服务是否存活：在服务器上执行curl http://localhost:8000/health或curl http://localhost:8000/docs（如果用了FastAPI）。
检查防火墙和网络策略：如果服务部署在容器或不同机器上，确保端口（如8000）已在防火墙中开放，并且容器网络配置正确（例如，使用docker network让容器间互通）。
审查工作流配置：检查workflow.yaml中定义的MCP端点URL是否正确。开发环境可能是localhost，生产环境需要改成服务发现地址（如http://body-detection-service:8000）。

增加超时和重试：在调用MCP服务的客户端代码中（如使用requests或httpx），务必设置合理的timeout参数，并实现重试逻辑（可以使用tenacity库）。

from tenacity import retry, stop_after_attempt, wait_exponential import httpx @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10)) async def call_mcp_with_retry(endpoint, data): async with httpx.AsyncClient(timeout=30.0) as client: response = await client.post(endpoint, json=data) response.raise_for_status() return response.json()

6.3 工作流执行逻辑错误或数据流中断

问题现象：工作流执行结果不符合预期，某个步骤的输出没有正确传递给下一个步骤，或者聚合逻辑出错。

排查步骤：

启用详细日志：在工作流引擎的每个步骤开始、结束、出错时都打印结构化日志，包含步骤名、输入数据摘要、输出数据摘要。
数据格式验证：在步骤间传递数据时，使用JSON Schema或Pydantic模型对数据进行验证，确保下游步骤收到的数据格式是它期望的。一个步骤的输出应该被明确定义为“合同”。
单元测试工作流步骤：为每个独立的MCP服务调用函数和工作流聚合函数编写单元测试，模拟输入输出，确保逻辑正确。
可视化工作流执行：如果可能，将工作流的执行状态（开始、进行中、成功、失败）和步骤间的数据快照存储下来，提供一个简单的UI界面来查看执行轨迹，这对于调试复杂工作流至关重要。

6.4 依赖冲突与环境不一致

问题现象：在A机器上运行良好，在B机器上pip install失败或运行时出现奇怪的库版本错误。

解决方案：

精确锁定依赖版本：使用pip freeze > requirements_lock.txt生成一个精确到子版本的依赖列表，用于生产部署。开发时可以使用requirements.txt指定宽松范围。
使用Poetry或Pipenv：这些工具能更好地管理依赖关系和虚拟环境，并生成可靠的锁文件。
Docker是终极武器：如前述，用Docker镜像固化整个运行环境，从根本上解决“在我机器上是好的”这个问题。
持续集成（CI）检查：在GitHub Actions或GitLab CI中配置一个流水线，每次提交都尝试在新环境中安装依赖并运行核心测试，提前发现兼容性问题。

7. 扩展思路与高级玩法

当你把这个基础的健康聚合服务跑通后，可以考虑以下几个方向进行深化和扩展，这能让整个系统的价值提升一个档次。

7.1 集成更丰富的AI模型与服务

项目初始可能只集成了YOLO用于视觉检测。你可以将其扩展为一个真正的“AI能力网关”。

集成大语言模型（LLM）：通过MCP集成本地部署的LLM（如通过Ollama）或云API（如Google的Gemini，呼应了关键词google），用于生成个性化的健康建议报告。例如，将姿态检测数据、睡眠数据喂给LLM，让它用通俗易懂的语言写一段分析。
集成语音分析：增加一个MCP服务，分析用户语音记录中的情绪压力水平（通过音调、语速等），作为心理健康的一个维度。
集成时序预测：使用LSTM或Transformer模型，基于用户历史健康数据（心率、步数）预测未来趋势，实现早期预警。

7.2 实现复杂事件驱动工作流

当前的工作流可能是按需触发的。你可以引入消息队列（如Redis Streams、Apache Kafka），实现事件驱动。

实时流处理：从可穿戴设备持续发送的数据流，通过Kafka接入，触发实时的工作流分析。例如，实时检测心率异常并立即发送通知。
工作流编排升级：采用更强大的编排引擎，如Apache Airflow或Kubernetes Argo Workflows，来管理周期性的、复杂的健康数据分析任务，支持任务调度、依赖管理、历史回溯和可视化。

7.3 构建前端展示与用户交互界面

一个完整的服务还需要让最终用户（或健康教练）能看到结果。可以快速构建一个简单的仪表盘。

后端API：基于现有的工作流引擎，封装出RESTful API，例如POST /api/analysis触发一次分析，GET /api/reports/{id}获取报告。
前端技术选型：使用轻量级的框架如Vue.js或React，配合图表库ECharts或Chart.js，将AI分析的结果（如每日姿态不良时长统计、每周健康趋势图）可视化出来。
数据持久化：引入数据库（如PostgreSQL或MongoDB），存储用户历史数据、分析报告，支持查询和对比。

7.4 模型持续学习与迭代

初始模型是“静态”的。要让系统更智能，可以考虑模型更新流水线。

反馈回路：在用户界面提供“分析是否准确”的反馈按钮。收集这些反馈数据，定期用于微调（fine-tune）模型。
自动化再训练：设置一个定期任务，当新标注的数据积累到一定量时，自动触发模型的重新训练、验证和部署（MCP服务热更新），形成一个闭环的AIOps流程。

这个valora.ai的健康聚合服务示例，提供了一个绝佳的起点和架构范本。它的价值不在于提供了多少行代码，而在于展示了一种将AI能力工程化、服务化、流程化的现代方法。在实际操作中，最大的挑战往往不是AI模型本身，而是如何让这些模型可靠、高效、可管理地协同工作。希望这份详细的拆解和补充，能帮助你不仅部署成功这个项目，更能理解其设计精髓，并将其应用到更广泛的AI集成场景中去。记住，从第一个可工作的服务开始，逐步迭代和扩展，是构建复杂AI系统最稳妥的路径。

查看全文

http://www.jsqmd.com/news/736163/