医疗AI应用常因数据格式问题而难以落地。本文探讨如何将复杂的Excel病历数据转化为大模型可有效利用的知识库，构建能理解医生查询、分析病例和统计费用的智能辅诊助手，为医疗AI的现场应用提供了一套切实可行的数据工程方案。
智能速览
传统文档切片方法在处理结构化Excel病历数据时完全失效。
将Excel的每一行视为独立切片，是解决问题的关键一步。
系统核心能力包括相似病例检索和诊断费用聚合分析。
精心设计的提示词是保证AI输出准确、规范的关键。
医疗AI落地的核心挑战在于数据工程，而非算力或模型。
精华内容
让AI真正读懂医疗数据，远不止调用一个模型接口那么简单。从改变最基础的数据切片方式开始，每一步都充满了挑战与创新。
颠覆传统切片
项目初期，团队沿用工业领域的文档切片逻辑，试图按段落或页面对Excel病历进行处理，但效果甚微。医生的自然语言查询与结构化的表格数据之间存在巨大的鸿沟。例如，‘47岁血管性头痛伴高血压’的描述，无法通过关键词匹配到表格中对应的独立字段。
为此，团队做出了关键调整：将Excel的每一行，即每一个独立病例，视为一个完整的数据单元进行切片。这一底层逻辑的重构，彻底改变了文档切分、召回和匹配策略，为后续功能奠定了坚实基础。
双核能力：检索与分析
为了满足医生多样化的需求，系统被赋予了两大核心能力。首先是相似病例检索，当医生输入‘患者33岁，肺炎支原体性肺炎’时，系统能精准识别关键词，返回所有匹配的病例表格，并支持调节召回数量以供统计分析。
其次是结构化聚合分析，例如当询问‘肾病综合征伴局灶硬化性肾小球肾炎的平均总费用’时，系统会自动筛选相关病例，计算并返回平均费用。这种‘既能查又能算’的设计，让医生能快速获取个体案例参考和宏观趋势洞察。
提示词的规训力量
在多次测试后，团队发现提示词的设计对输出结果的专业性和稳定性至关重要。为此，系统被配置了严格的提示词，明确要求：第一，所有查询结果必须基于真实数据，有据可查；第二，多条记录必须全部列举，不能以偏概全；第三，输出格式必须标准化，保证清晰易读。
这些看似繁琐的约束，正是确保AI在医疗这一严肃场景下，提供可信、可靠答案的关键，是避免信息误导的必要‘规训’。
落地关键在数据工程
整个项目最大的感悟是，医疗AI的瓶颈往往不在算力或模型本身，而在于如何将原始数据‘喂’成模型可用的知识。从Excel表格到结构化切片，从语义匹配到字段精准召回，每一步的突破都源于数据工程的精进和对医生工作流程的深刻理解。
这表明，AI在专业领域的成功应用，是技术创新与业务理解深度结合的产物，而非单纯堆砌算力或模型。
通过精细的数据工程与产品设计，AI完全能够成为医生身边懂数据、会分析的得力助手。这不仅是技术的胜利，更是为医疗AI从概念演示走向临床实用铺平了道路。未来，当AI能无缝整合多源医疗数据，它又将带来怎样的变革？
