1. 从金融到医疗:一个全栈工程师的大模型转型实战
去年参加金融年报RAG大赛的经历让我收获颇丰,冠军方案中的多级检索策略和动态分块技术确实令人大开眼界。但当我试图把这个项目写进简历时,总觉得有些别扭——毕竟我的专业背景是医疗信息化,两个领域跨度太大,面试官难免会质疑技术的迁移能力。于是,我决定用65天时间,打造一个完全基于医疗场景的RAG系统。
这个名为Aegis-DQA的系统,核心目标是解决医疗器械合规审计中的文档处理难题。医疗行业的法规文档有其特殊性:比如ISO 13485标准中大量存在的跨页表格,如果简单按页码切割,关键上下文就会丢失;再比如IVD申报指南里的决策树流程图,传统OCR根本无法理解其逻辑结构。这些痛点恰好给了冠军方案中那些高级技术最好的用武之地。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 医疗文档的特征分析与处理方案
2.1 医疗合规文档的三大挑战
医疗行业的法规体系复杂程度远超普通人的想象。以欧盟医疗器械法规(EU MDR)为例,单是正文就有174页,附带23个附录,其中包含:
- 超过60个跨页表格(平均每个表格占据2.3页)
- 12类决策树流程图(用于临床评估路径选择)
- 大量交叉引用条款(如"参见第5章第3节第(2)条")
这类文档如果直接用常规的RecursiveCharacterTextSplitter处理,会产生大量信息碎片。我们的测试显示,简单按200字符分块会导致:
- 83%的表格被错误分割
- 61%的决策树节点丢失关联关系
- 交叉引用准确率降至42%
2.2 冠军方案的医疗化改造
基于金融场景的冠军方案,我们进行了三个关键改进:
跨页表格处理方案:
- 使用PyMuPDF提取表格坐标信息
- 开发表格连续性检测算法(基于单元格样式相似度)
- 采用动态分块策略:普通文本按语义分块,表格保持完整
python复制def detect_table_continuation(page1, page2):
# 计算相邻页面末尾/开头表格的样式相似度
last_table = page1.get_tables()[-1]
first_table = page2.get_tables()[0]
similarity = calculate_style_si
