BiPharm-RAG：跨源双超图检索增强大语言模型用于中医诊疗推理

本文介绍BiPharm-RAG项目，该项目针对中医药知识碎片化、经验依赖性强、标准化程度低等挑战，创新性提出跨源双超图检索增强架构，将大语言模型应用于中医诊疗推理，实现多源异构中医药知识的智能融合，有效缓解大模型知识幻觉问题，为中医辅助诊疗、知识教育及新药研发提供支持。

中医药知识体系具有独特复杂性：1. 知识来源多样（经典古籍、现代临床研究、药材数据库等），格式异构且缺乏统一语义表示；2. 概念关联复杂（药材与功效、方剂与病症等），难以用简单图谱表达；3. 诊疗强调辨证论治，需综合多因素，传统关键词检索无法捕捉深层语义关联，单纯大模型易产生知识幻觉。

跨源知识整合

整合中医古籍、现代期刊、药材数据库、临床医案等多源数据，通过统一知识框架实现联合检索，发现单一数据源难以获取的关联（如传统典籍与现代药理学印证）。

双超图知识表示

采用双超图结构：概念层超图建模语义关联（药材类别、功效分类等），实例层超图记录具体关系（方剂组成、临床案例特征等），兼顾抽象概括与细节保留。

检索增强生成机制

接收到诊疗查询时，通过双超图多跳推理检索相关知识子图，将结构化知识片段输入大模型生成结果，确保输出可追溯、无幻觉。

知识抽取与图谱构建

从多源数据中抽取结构化知识，涉及命名实体识别、关系抽取等任务，可能采用领域特定预训练模型或微调策略应对中医术语专业性与歧义性。

超图嵌入与相似度计算

将超图结构嵌入低维向量空间，捕捉高阶关系传播特性，基于嵌入向量快速计算查询与知识片段的语义相似度。

大语言模型适配

对大模型进行领域适配，包括领域预训练、指令微调或提示工程优化，确保准确理解中医辨证逻辑并生成符合中医思维的推理结果。

中医临床辅助决策

辅助中医师快速检索经典方剂、相似医案及药材知识，提升诊疗准确性与效率（非替代医生判断）。

中医药知识教育

为学习者提供智能查询工具，返回答案同时展示知识来源与推理路径，帮助建立系统知识框架。

新药研发与方剂优化

分析药材协同机制与临床数据，为研究人员提供潜在药物组合建议。

BiPharm-RAG证明垂直领域RAG系统需深度领域适配（知识表示、检索策略、模型调优）。未来可整合舌象、脉象等多模态信息，实现更全面智能诊疗；双超图架构也为法律、金融等复杂知识领域提供借鉴。该项目是传统医学智慧与现代科技融合的重要探索，为中医药现代化提供技术参考。