精选案例 · 知识库与文档 / Agent 自动化
我的 AI 编程实践
本文分享了两个AI编程实践：一是医院病例质控自动化项目，通过将规则统一翻译成结构化Schema，再按硬性检查、语义判断、混合性质分流，由AI Agent落地完整流水线，从v1迭代到v5；二是搭建基于 .handoff 文件的多Agent协作工作流，让不同Agent分工接力。…
案例速读
该案例详细描述了医院质控规则自动化的落地路径：将自然语言规则转化为结构化 Schema，按性质分流为代码、模型、混合三种处理方式，并通过多Agent接力（.handoff文件约定）提升迭代速度。展示了两三天一版、版本指标可量化的实操经验，对医疗IT和AI工程化有直接参考价值。 建议从 「我的 AI 编程实践」、「项目：医院病例质控自动化」、「工作流：让多个 Agent 互相接力」、「几点体会」 进入正文，先确认真实任务和模型辅助过程。
- 重点看 规则结构化与分流方法：将自然语言规则转化为Schema并分三类处理、基于 .handoff 文件的多Agent协作约定：一个Agent写上下文，另一个读取并继续执行、AI辅助的快速迭代模式：从v1到v5两三天一版，每版指标可量化。结合 知识库与文档 / Agent 自动化 / AI编程 / 医疗质控 和「开发者、AI实践者、医疗信息化从业者」，它更适合作为任务检索后的精读材料。
- 正文目录和原始材料仍然是判断依据；导读只帮助你更快定位阅读重点。
- 首读入口
- 项目：医院病例质控自动化
- 读者
- 开发者、AI实践者、医疗信息化从业者
- 复用
- 规则结构化与分流方法：将自然语言规则转化为Schema并分三类处理
- 结构
- 4 个目录入口
原文内容
我的 AI 编程实践
最近用 AI 编程做了两件事：一个具体项目，一套工作流。
项目：医院病例质控自动化
原始材料是医院的一套质控规则（百余条，自然语言描述）和大量历史命中数据。目标是把它跑成可自动判定的流水线。
最大的难点是规则风格不统一——有的是硬性时限，有的需要医学语义判断，有的太宽泛根本没法自动化。一锅丢给 LLM 又贵又不准，全靠程序又判不了语义。
做法是先把规则统一翻译成结构化 Schema，再按性质分流：硬性检查走代码、语义判断走模型、两者结合的走混合。完整 pipeline（抽取→匹配→评估）几乎全部由 AI agent 落地，我负责给规格、读评估报告、决定下一版往哪改。从 v1 迭代到 v5，每版都有指标对照，可以拿去和医务复盘。
整个过程我最大的收获不是“AI 写了多少代码”，而是版本迭代的节奏被打开了——以前一版要做一周，现在两三天一版，且每版的变化是可量化的。
工作流：让多个 Agent 互相接力
单个 agent 都有短板：有的擅长规划、有的擅长实现。我搭了一个基于文件的协作约定 .handoff——一个 agent 把“当前要做什么、上下文、约束、已知坑”写进一个 markdown 文件，另一个 agent 读这个文件接着干。
本质上就一句话：让擅长想的去想，擅长写的去写，我只在关键节点拍板。
上面的病例质控项目就是这套工作流跑出来的，单线程根本不可能这个节奏。
几点体会
- 想清楚要做什么，比让代码跑起来更难。AI 把执行成本压到很低之后，“问题定义”反而变成最稀缺的环节。
- 机器输出用机器读。迭代越快越要让 AI 帮自己看 diff、对账、汇总报告，靠肉眼根本跟不上节奏。
- Agent 是队友不是工具。当队友带，给它规格、留它空间、关键节点 review，比把它当搜索引擎用收益高一个量级。