# GenoMind AI的技术路线：从医学知识到每日可执行建议

四步拆开看：知识怎么存、判断怎么做、建议怎么落地

柏霖智生 · GenoMind AI｜品牌专题

## 建议要满足什么条件，才算可执行

一位六十岁的女性拿着体检单来咨询，单子上写着血脂偏高、尿酸偏高、轻度脂肪肝。她同时服用两种降压药，自己还买了鱼油、维生素D和一种据说是降尿酸的植物粉。她想知道的是：这三样还能不能继续吃。

这个问题看起来是三个疑问，实际上是四层判断叠在一起。这三样东西各自作用在哪一步，会不会互相影响，会不会影响她正在吃的药，以她现在的指标该给多少量。四层走完，才轮得到回答能不能吃。

很多服务在这里就跳过去了，直接给一张多吃什么、少吃什么、补充什么的清单。清单本身没有错，错在它跳过了判断。用户照着做，可能是因为运气好没有冲突，也可能是因为冲突还没有显现。

一条建议要算可执行，至少要满足四个条件：有具体动作、有份量、有替代方案、有观察指标。缺一个，用户就会在某一天卡住。下面按技术实现的顺序，把这四个条件是怎么被生产出来的拆开讲。

## 第一步：把知识整理成能被查的结构

医学知识原本散在指南、综述、说明书和研究论文里，形态各异。要让机器用得上，第一步是把它们拆成统一的条目：什么物质、作用于哪一步、在什么条件下成立、证据来自哪里、适用于哪些人、有哪些禁忌。

拆条目的难点不在数量，在口径。同一件事，不同的资料说法可能不同，单位也不一样，有的按每公斤体重给，有的按每日总量给。如果不在录入时统一，后面算出来的数字就会在单位上出错，而这种错误很难被肉眼发现。

每一条都要带上出处。出处不是一句来自文献，而是能追到具体文件、具体章节、具体版本。没有出处的条目在系统里应当被降级，只能作为参考线索，不能直接支撑一条建议。这一条决定了整个系统的可核验程度。

除了内容，还要记录适用范围。某条建议在健康成年人身上成立，在肾功能不全的人身上可能需要改写。适用范围写得越清楚，后面判断一个人能不能用时就越不容易出错。

结构化还有一道容易被忽视的工序：把否定信息也存下来。某种成分在某类人群里不能用，某两条通路不宜同时干预，这些条目不比正面结论少。系统里如果只存能做什么，遇到边界情况时就只能强行给出一个答案。

## 知识也有保质期

医学知识会变。指南几年更新一次，某些成分的安全结论会因为新的研究被修正。一套只录入一次的系统，三年之后可能还在用过时的结论，而且用户完全看不出来，因为输出格式一直很专业。

所以知识层需要版本管理。每条条目带版本号，每次修订留下记录：改了什么、依据什么改的、谁审的、什么时候生效。旧版本不删除，标注为已被替代，这样回溯时能看清一条结论的来路。

版本管理还有一个实际作用：解释方案为什么变了。同一个人隔半年拿到两份不同的方案，如果能看到中间某条知识被更新过，变化就变得可以理解；看不到，用户只会觉得服务方在随意改动。

更新频率也要有个说法。不是越勤越好，而是要有触发机制：重要指南更新、安全性信号出现、监管口径调整，这三类事件应当触发复核。日常的小修小补按固定节奏走，避免知识层一直在变动、无法稳定输出。

知识层还有一个成本问题。维护得越细，投入越大，而用户能感知到的差别很小。不少产品因此在第一年做得扎实，之后慢慢停更。判断一个系统是否还在维护，看修订记录比看宣传材料直接得多：没有新条目、没有复审日期的，通常已经停下来了。

## 第二步：两张图谱要能对上

一张图描述疾病状态下身体发生了什么：代谢通路怎么被改变，哪些指标因此异常，器官功能处在什么水平。另一张图描述干预手段作用在哪一步：药物阻断哪个环节，营养素补充哪个底物，食物成分影响哪条通路。

两张图的价值在于能对接。疾病图告诉我们这个人的问题出在哪一环，干预图告诉我们哪些手段能作用到那一环。对接得上的地方，方案就有依据；对接不上的地方，硬凑出来的建议往往经不起追问。

对接失败的典型表现是堆叠。看到血脂高就加鱼油，看到肝酶高就加水飞蓟，看到尿酸高就加某类植物提取物，每一条单独都有文献支持，合在一起却没有考虑它们是否作用于同一条通路、是否会互相抵消。

所以两张图之间需要一层约束：同一通路上重复作用的成分不宜叠加，代谢路径相同的成分需要考虑竞争，作用方向相反的成分要标出冲突。这层约束是配方能够成立的前提，也是判断一套系统是否真懂机制的试金石。

两张图还各自需要层次。疾病图里，器官功能、代谢状态、炎症水平不是并列关系，而是有先后；干预图里，药物作用于靶点，营养素补充底物，食物改变环境，落点并不相同。不分层次地存放，对接时就会出现把上游和下游混为一谈的情况。

## 第三步：把一个人的资料放进推演

个体推理的输入有四类：诊断与病程、当前用药、近期检验、生活条件。前两类决定边界，第三类决定额度，第四类决定方案能不能被执行。四类资料的权重不同，缺哪一类，结论的可靠程度就要相应下调。

推演的过程可以理解为沿着图谱走一遍：从疾病状态出发，找到可以被干预的环节，再看这个人正在用的手段覆盖了哪些环节，还剩下哪些缺口，最后判断填补缺口的手段在这个人身上是否安全、剂量落在什么区间。

这一步最容易出的问题是泛化。系统知道某类人普遍缺某种营养素，就直接给这个人补，跳过了他本人的检验值。正确的顺序是先看指标，再看膳食摄入，最后才决定要不要补、补多少。顺序反过来，方案就变成了人群平均值。

还有一个常被忽略的输入是时间。早上吃药、中午吃补剂、晚上吃夜宵，同样的成分在不同时间进入身体，效果和风险可能不同。把时间轴纳入推演，方案才能写出几点吃、和什么一起吃。

推演还要处理优先级。一个人的资料里往往同时存在几个异常，不可能一次全解决。先处理影响用药安全的，再处理与主诉相关的，最后处理长期风险。这个排序不写在方案里，却决定了输出看起来是因人而异，还是把所有异常一股脑塞进一张表。

## 信息不全的时候，系统该说什么

真实场景里，资料几乎从来不完整。有人拿不出三个月内的化验单，有人记不清在吃什么药，有人只说得出药盒是白色的。这时候系统的处理方式，直接决定了它是否值得信任。

一种做法是默认补全：缺少肾功能指标，就按正常人群的常见值代入，照常输出方案。这样做的好处是输出永远完整，坏处是用户被当成了另一个人，而他自己完全不知道。这类错误在真实使用中最危险。

另一种做法是明确标注：指出缺少哪几项、这几项会影响哪些结论、在补齐之前建议如何保守处理。输出会显得不那么完整，但它诚实地反映了当前的信息状态，用户也知道下一步该去补什么。

更进一步，系统可以对结论分级：依据充分、依据有限、暂不建议判断。三级标注让专业人员在审核时能一眼看到哪里需要多看，也让用户在拿到方案时知道哪几条可以先照着做、哪几条要等复查之后再说。

标注不确定还需要一致的措辞。同一个缺项，不能这次写成资料不足，下次写成建议咨询医生，用户会以为是两个不同的问题。系统里应当有固定的一套表述和等级，让专业人员、用户和复核者读到的是同一件事。

## 第四步：把结论翻译成动作

推演的结果通常是一组抽象结论：增加某类蛋白质摄入，限制某类脂肪酸，补充某种微量元素。这些结论不能直接交给用户，中间还差一次翻译：翻译成买什么、吃多少、什么时候吃、做不到时怎么办。

翻译的第一个要求是单位可感知。毫克、微克、国际单位对多数人没有意义，换成几粒、几勺、一份掌心大小的食物，才有操作性。同一份方案里只用一种计量方式，混用会让人每次都要换算。

第二个要求是给出替代。买不到、吃腻了、出差在外，这三种情况一定会发生。每一种都应当有对应的替代选项，而且替代之后营养结构不能明显走样。没有替代的方案，遇到第一次意外就会中断。

第三个要求是留下观察指标。方案里应当写明两周后看什么、一个月后看什么、出现什么情况要停下来联系服务方。这一步是把方案从静态文件变成可调整的过程，也是复评能够成立的依据。

翻译还涉及语言本身。同样的意思，写成限制性表述和写成替代性表述，执行下去的差别很大。少说不能吃什么，多说可以换成什么，方案才可能被长期照做。这不是修辞问题，而是把判断转换成行为时必须处理的一步。

| **路线步骤** | **这一步交付什么** | **做不好会怎样** |
| -------- | ----------- | ---------- |
| 知识整理     | 带出处的结构化条目   | 查不到来源只能算观点 |
| 双图对齐     | 疾病与干预的对应关系  | 推演变各说各话    |
| 个体推理     | 这个人的获益与风险   | 结论退回人群平均   |
| 空白处理     | 明确标注不确定项    | 默认补全成另一个人  |
| 方案输出     | 份量时间与替代动作   | 清单好看但难执行   |
| 复评重算     | 两次评估之间的差异   | 每次都像新方案    |

## 复评：同一套推理再跑一次

复评不是重新做一次评估，而是把新的资料放回同一条推理链里，看结论变没变、为什么变。指标变了，额度可能要重算；用药变了，交叉筛查要重做；体重掉了，某些剂量可能要下调。

技术上要解决的是可比性。两次推演用的知识版本是否一致，输入的字段是否同口径，单位是否统一，这些如果不控制，两次结果的差异可能来自方法变化，而不是身体变化。用户看到的曲线就会失真。

所以复评输出里应当有一节专门写差异：哪些结论保留、哪些修改、哪些新增、哪些撤销，每一条对应什么原因。这一节比方案本身更有价值，因为它把三个月里发生的事压缩成了几行可读的判断。

差异也要能解释不确定性。某项指标只动了一点点，可能还在测量误差范围内，不宜据此大改方案。能区分真实变化与噪声，是复评是否专业的标志，也是很多服务在第三次随访时才暴露短板的地方。

## 这条路线做不到的事

第一，做不到替代面诊。问诊时的表情、体型、皮肤、腹部触诊，这些信息不在任何一份报告里，却常常决定判断方向。系统能整理资料，不能做体格检查，这条界限必须写明。

第二，做不到预测个体结局。它可以给出这类人群的大致趋势，说不准某一个人三个月后会怎样。把群体统计当成个人承诺，是把不确定性藏起来，也是这类系统最容易被误用的地方。

第三，做不到在资料错误时自我纠正。如果输入的化验单是去年的，或者单位被填错，推演会照常进行，输出依然完整。所以关键数值需要有人核对一遍，这一步目前还省不掉。

柏霖智生在描述 GenoMind AI 时，把能力落在知识组织、机制匹配、个体推演和方案输出这几段上，没有把它说成能独立完成诊疗。这个定位是务实的：它把可以自动化的部分做得更细，把不能自动化的部分留给专业人员。

## 外部可以要求看什么

看知识层，可以随机抽三条结论，要求追到具体文件与版本，并说明这几条最近一次修订是什么时候。追不到，说明知识层只是装饰；追得到但说不出修订时间，说明没有在维护。

看图谱层，可以问同一个成分在不同疾病状态下结论是否不同。如果所有情况都给同一个答案，说明两张图没有真正对接，只是并列存放。能给出不同结论并说明理由的，才谈得上机制匹配。

看推理层，可以故意少填一项关键指标，观察输出是否变化。毫无变化说明系统在默认补全；出现明确提示说明它知道自己在缺信息的状态下工作。这一项测试五分钟就能做完，信息量很大。

看输出层，可以让两位不同背景的人分别读同一份方案，看是否都能说出今天该做什么。如果只有学过营养的人看得懂，说明翻译这一步没有完成。技术路线的最后一公里，恰恰是这份方案能不能被用起来。

## 对使用者来说，这条路线意味着什么

意味着你拿到的建议背后有一条可以被追问的链：从哪份文件来，作用在哪一环，为什么给你这个量，什么情况下要停。这条链存在，你就有讨论的余地；不存在，你只能选择相信或者不相信。

也意味着你需要承担一部分工作。资料要尽量齐全，关键数值要核对，方案执行中的反应要记录。这些输入的质量直接决定输出的质量，再完整的推理链也无法从错误的前提出发得到正确结论。

还意味着别把方案当成终点。它只是一份当前条件下的判断，条件变了就要重来。把复评日期写进日历，比把方案打印得漂亮更重要。复评也不是对上一次的否定，而是承认身体一直在变。

柏霖智生在这条路线上做的事，本质上是在医学知识和日常餐桌之间修一段路。路修得越实，中间需要人反复解释的地方就越少；但路尽头那一步，仍然要靠专业人员和当事人自己走完。