山东大学软件学院创新项目实训 —— 基于UE与LLM的医患沟通模拟与评价系统（七）

前言

在实际使用过程中，发现了一个明显的体验缺口：医生（使用者）在问诊过程中有时会陷入不知道该问什么的困境，只能等到对话结束后看评分报告才知道哪里没问到。这种"事后复盘"的模式对于训练效率来说是不够的。

因此，在前端加一个"询问 AI"的按钮，使用者点击后，大模型切换为医生顾问角色，根据当前对话进度给出下一步提问的方向和话术建议，实现"实时教练"的效果。

一、如何实现 AI 医生顾问

1. 整体思路

这个功能本质上是一次单轮问答：

1. 从 Redis 取出当前会话的对话历史
2. 去掉原来的患者 system message（避免模型被病人的角色设定干扰）
3. 换上培训专家的 system prompt，把对话历史作为上下文传入
4. 模型给出建议，返回给前端

2. 涉及改动的文件

3. 核心代码

chat.py— 新增响应模型

classAdviceResponse(BaseModel):status:str="success"advice:str

endpoints.py— 新增接口

接口直接复用了已有的ChatRequest（只需要session_id+scene_key），不需要新建请求模型。

@router.post("/chat/advice",response_model=AdviceResponse)asyncdefget_advice(request:ChatRequest):""" AI 医生顾问接口：前端点击"询问AI"按钮时调用。 读取当前会话的对话历史，以培训专家视角给出下一步提问的方向与话术建议。 不修改对话历史，不影响正在进行的问诊流程。 """try:advice=awaitget_doctor_advice(request.session_id,request.scene_key)returnAdviceResponse(advice=advice)exceptExceptionase:raiseHTTPException(status_code=500,detail=str(e))

llm_service.py— 核心函数

asyncdefget_doctor_advice(session_id:str,scene_key:str)->str:redis_key=f"chat_history:{session_id}:{scene_key}"# 从 Redis 读取当前对话历史history_str=awaitredis_pool.get(redis_key)messages=json.loads(history_str)ifhistory_strelse[]# 从数据库读取场景配置scene_data=awaitget_scene_config(scene_key)advisor_system_prompt=f""" 你是一位经验丰富的医患沟通培训专家，正在辅助一名医生进行问诊训练。 【患者背景信息】{scene_data['patient_basic']}【本阶段问诊目标】{scene_data['patient_prompt']}【你的任务】 根据下方的对话历史，判断医生目前的问诊进展，给出下一步提问建议。 【输出格式要求】 按以下结构输出，不超过150字： ➤ 建议方向：（一句话说明应该往哪个维度继续问） ➤ 参考话术：（给出1~2句医生可以直接说的口语示例） 注意： - 建议要贴合当前对话的上下文，不要重复已经问过的内容 - 话术要口语化、自然，符合医生和患者交流的语气 - 不要评价医生之前说的对不对，只给下一步建议 """# 去掉原患者 system message，避免角色混淆dialogue_only=[mforminmessagesifm.get("role")!="system"]advisor_messages=[{"role":"system","content":advisor_system_prompt},*dialogue_only,{"role":"user","content":"请根据以上对话，给我下一步的提问建议。"},]response=awaitllm_client.chat.completions.create(model="deepseek-chat",messages=advisor_messages,temperature=0.5,max_tokens=300,)returnresponse.choices[0].message.content

二、第一次测试：功能跑通，但发现明显缺陷

测试流程如下：

1. 先调用/chat接口几次，让 Redis 里积累一定的对话历史
2. 再调用/chat/advice，传入相同的session_id和scene_key

测试结果如下：

功能上是跑通了，建议方向和话术也比较自然。但仔细分析后发现了一个关键问题：

模型给出的建议完全依赖对上下文的"感觉"，不知道这个场景实际需要覆盖哪些评分条目。我们设定的不同场景有不同的评分条目，所以有更侧重的提问点。比如某个场景只启用了第6、7、8、10条，模型却可能因为对话里提到了疼痛就一直围绕生理症状建议，忽略了社会心理维度（第8条）、疾病对生活的影响（第10条）等同样需要覆盖的条目。

此外，顾问完全不知道当前对话里是否已经触发了黑话违规或命令式提问，无法在给建议的同时提醒医生注意规范用语。

三、完善：接入启用条目与实时规则检测

1. 问题分析

数据库scenario_scenes表中有一列active_items，存储了该场景启用的评分条目编号（JSON 数组格式，如[1, 6, 7, 8, 10, 12, 19, 22, 24, 25]）。第一版的get_doctor_advice完全没有读取这一列，导致顾问的引导缺乏针对性。

同时，系统已经有一套完整的规则检测函数（run_all_rule_checks、detect_item12_commanding、detect_item19_jargon等），评分时才调用。顾问功能可以复用这些函数，在建议里加入实时违规提醒。

2. 改动方案

只需修改llm_service.py中的get_doctor_advice函数，其他文件不动。改动分三步：

第一步：新增 SEGUE 条目描述表

把 25 个条目的编号和描述写成字典，用于把active_items中的数字还原成可读文字：

SEGUE_ITEMS={1:"有礼貌地称呼病人",6:"让病人主动讲述对健康问题/疾病发展的看法",7:"系统询问影响疾病的物理、生理因素",8:"系统询问影响疾病的社会、心理、情感因素",10:"讨论疾病对病人生活质量的影响",12:"避免诱导性提问/命令式提问",19:"根据病人理解能力调整表达，避免或解释专业术语",# ... 共25条}

第二步：解析 active_items，生成条目描述列表

try:active_items=json.loads(scene_data.get("active_items")or"[]")exceptException:active_items=[]active_items_desc="\n".join(f" 第{i}条：{SEGUE_ITEMS.get(i,'未知条目')}"foriinactive_items)

第三步：对当前对话跑规则检测，生成违规提醒块

复用已有的检测函数，在给建议之前先扫一遍当前对话：

dialogue_only=[mforminmessagesifm.get("role")!="system"]rule_results=run_all_rule_checks(dialogue_only,patient_education_level)warning_lines=[]# 第12条：命令式/诱导式提问item12=rule_results.get("item12",{})ifitem12.get("triggered")and12inactive_items:phrases=[pforvinitem12.get("violations",[])forpinv.get("matched_phrases",[])]warning_lines.append(f"⚠️ 第12条违规：已检测到命令式/诱导式用语（{', '.join(set(phrases))}），请注意避免。")# 第19条：专业术语未解释item19=rule_results.get("item19",{})ifitem19.get("triggered")and19inactive_items:unexp=[wforvinitem19.get("violations",[])forwinv.get("jargon",[])]warning_lines.append(f"⚠️ 第19条违规：以下专业词尚未通俗解释（{', '.join(set(unexp))}），"f"{'患者文化程度低，这将直接导致该条扣分。'ifpatient_education_level=='低'else'建议补充解释。'}")# 第1条：礼貌称呼if1inactive_items:item1=detect_item1_greeting(dialogue_only)ifnotitem1.get("triggered"):warning_lines.append("⚠️ 第1条提醒：目前尚未出现礼貌称呼（如您好、先生、女士等）。")

最终 system prompt 结构

把条目列表和违规提醒一起注入 prompt，输出格式也新增了"注意事项"一项（无违规时自动省略）：

advisor_system_prompt=f""" 你是一位经验丰富的医患沟通培训专家，正在实时辅助一名医生进行问诊训练。 【患者背景信息】{scene_data['patient_basic']}【本阶段问诊目标】{scene_data['patient_prompt']}【本场景需要覆盖的评分条目】 以下是本场景会被评分的条目，医生需要在对话中尽量全部覆盖：{active_items_desc}【当前规则检测结果】{warnings_block}【输出格式】 按以下结构输出，总字数不超过180字： ➤ 建议方向：（优先选尚未覆盖的条目） ➤ 参考话术：（1~2句口语示例） ➤ 注意事项：（有违规时提醒；没有则省略此项） """

四、完善后再次测试

保持相同的对话历史，再次调用/chat/advice：

测试结果如下：


对比两次测试结果，改进效果非常明显：