医疗AI产品的回答结构设计正在颠覆传统模式。本文从用户决策逻辑出发，揭秘如何通过模块化组合优化健康咨询的交互体验，同时规避LLM的不确定风险。文章不仅呈现了一套可落地的动态Prompt框架，更揭示了医疗信息记忆效率与产品设计之间的关键联系。

一、先上结论

1.基本结构

结论 → 严不严重 → 建议 → 解释 → 就医。

2.规则

根据不同问题类型微调结构的 数量和顺序。实际上也就是 回答结构=模块组合

二、为什么是这个结构

1.本质出发

回答结构的本质是 用户的决策顺序来设计信息优先级。

我在思考这个问题的时候，突然想到一个有意思的场景：

我们平时从医院出来能记住的核心信息顺序大概是：我这是*** → 严不严重 → 该怎么办，原因可能记得个大概。但实际上，应用市场上的AI健康对话产品的回答结构是遵循医学的临床推理来设计的，也就是：结论 → 严不严重 → 解释 → 建议 → 就医

而且，对医疗信息的记忆是良好遵循医嘱的前提，这个话我认为是非常重要的。虽然AI健康对话产品目前为了风险不应该提供医疗诊断，但用户的决策顺序做优化是没问题的。

我看过一个文献指出

“医护人员提供的医疗信息中有 40% 至 80% 会被立即遗忘。信息量越大，正确回忆的比例就越低”

https://pmc.ncbi.nlm.nih.gov/articles/PMC539473/?utm_source=chatgpt.com

以当前蚂蚁阿福的追问回答结构为例，我认为就 非常冗余。

当追问的过程中有很多信息对用户是没用的，追问就是追问，每次追问可以复述一下上次回答的信息，但它每次前追问都有一大段的文字来描述，效率我认为很低，用户肯定不会花时间度那么长的文字，除非用户有很多的时间，对阿福及其信任，生怕漏掉什么关键信息，但概率我认为很小。

2.防止LLM的不确定性

因为LLM每次给出的回答不一样，而且在医疗健康领域如果全部交给LLM，安全、风险都不可控，所以要通过提示词约束、RAG规范LLM的回答。

3.降低规则的复杂度

– 规则越复杂，维护起来肯定越麻烦，导致Prompt会很长。要聪明地去选择规则方案，避免以后问题场景多起来，规则复杂度呈指数上升。

– 规则只用一套，然后Agent针对不同类型的问题，微调 结构的数量/顺序 就好了。

三、最后产出是什么且如何落地

1.产出内容

1.1 基础回答结构模块：包含了所有回答的“原子模块”，统一团队认知。（以表格形式输出）

表头是模块、作用、说明

最后写原则：所有问题的回答都是由这些模块动态组合而成，不是每种问题写一个固定结构

1.2 问题类型+模块组合规则（也就是动态微调结构表）

表头是：问题类型、用户核心关心、模块组合顺序

1.3 有时间再做个案例库什么的，方便团队理解

2.以我的经验说一下如何落地

每个团队配置和职责有个别差异，所以客观看待，择优采用

2.1 在周会上把先把做好的大纲和小部分已完成的内容show出来，让产品、算法看看对他们有没有帮助，其实我平时找过他们说我想要做一个回答结构和追问规则，并且把价值和大纲口述了一遍，但他们的回应说不太好理解，从表情上来看像是这个东西对他们没用，所以需要做个1/5的工作出来，趁着周会一起看看。后来我才发现，他们并不是不理解，只是他们认为对自己的工作完成度没有帮助而已，对产品体验的提升还是有价值的。

2.2 得到认可之后，就可以继续开工了，把剩下的内容补齐；最后拉着团队人员一起评一下；最后上传团队的在线文档中去就ok。

2.3 产品会将回答结构的规则写成JSON配置表，让Agent读取然后执行Prompt拼接，最后LLM输出

3.走一遍【对话处理逻辑】：这是根据我当前做的产品来梳理的

假设用户提问：“我最近胸口疼，尤其是晚上睡觉时”。

↓

这个时候进入对话处理逻辑

↓

LLM开始语义理解+意图识别（LLM判断问题类型做路由）

↓

粗召+检索+重排（不决定顺序）

↓

Agent根据问题类型读取JSON配置表，将基础模块按照顺序拼进动态Prompt中，供LLM生成回答

最后

以上的成果和思考是 自学+部分验证 的结果，如果和实际上有差异希望得到指正，交个朋友。

下一篇我可能会把路由和追问的规则以及思考总结一下。

我是一名想和AI粘死且不甘平凡的设计师