NutriIntel：面向临床儿科营养的智能体RAG系统架构解析

NutriIntel是一个开源的Agentic RAG系统，专为临床儿科营养咨询设计。本文深入解析其混合检索架构、确定性治疗引擎、多工作流编排机制，以及如何在医疗场景中实现安全可靠的AI辅助决策。项目由luch91维护，源码托管于GitHub（链接：https://github.com/luch91/NutriIntel-Agentic-RAG-Clinical-Pediatric-Nutrition-Assistant），发布时间为2026-05-23。

在医疗AI领域，LLM应用向专业垂直场景深入，但医疗场景对AI系统要求严格（准确检索、确定性、可追溯、临床安全）。儿科营养领域中，患者年龄、体重、诊断等因素影响营养方案，简单问答式AI难以满足需求。NutriIntel在此背景下诞生，通过混合检索、确定性引擎和结构化对话管理，平衡安全性与实用性。

NutriIntel采用前后端分离架构：后端基于Python 3.12和FastAPI，前端用Next.js14+TypeScript。核心流程：用户消息→意图分类器（sentence-transformers+LogisticRegression，F1达98.6%）→路由到不同工作流（治疗、推荐、比较、通用）。治疗类查询启动多智能体工作流：Slot-filling Agent收集临床参数→Therapy Gatekeeper审核→Deterministic Engine生成方案（严格基于权威数据源）。

NutriIntel的检索系统结合向量检索与BM25关键词检索：

• 向量检索：Qdrant向量库，sentence-transformers/all-MiniLM-L6-v2嵌入模型（384维）；
• BM25检索：补充精确匹配医学术语； 检索流程：查询重写→向量搜索（top20）+BM25搜索（top20）→合并去重→条件过滤→重排序→返回top7片段。 知识库来源：9本权威临床营养学教材（如《Clinical Pediatric Dietetics》）+多个非洲国家食物成分表（FCT），支持跨地域需求。

为解决医疗AI的"幻觉"问题，NutriIntel设计确定性治疗引擎：

• 核心原则：营养目标值基于权威数据源（DRI表格、临床协议），而非LLM生成；
• 计算因素：患者临床参数（年龄、性别等）+药物-营养素相互作用+疾病特定需求；
• 可解释性：每个建议可追溯来源；
• 支持疾病：1型糖尿病、囊性纤维化、食物过敏、早产儿营养等多种儿科疾病。

NutriIntel实现精细化对话状态管理（IDLE→SLOT_FILLING→DISPATCHING→RESPONDING）：

• SLOT_FILLING阶段：直接处理裸值（如"10岁"）为槽位答案，不误解为新查询；
• 状态持久化：Redis（内存回退）支持多会话并发； 多工作流：治疗（复杂多智能体）、推荐（混合检索）、比较（实体提取+双重检索）、通用（开放域问题），灵活应对不同查询。

项目代码结构清晰（agents、api、classification等模块），包含217个测试用例（单元、集成、端到端）。可观测性：结构化日志（structlog）+Prometheus指标。PDF处理：LangChain PyPDFLoader，扫描版用PyMuPDF+Tesseract OCR回退。数据摄取：首次请求自动执行，索引34个知识库PDF，耗时2-3分钟。

局限性：1. 主要优化非洲地区食物成分表，其他地区需额外数据整合；2. 依赖Qdrant、Redis增加部署复杂度。 改进方向：纳入患者社会经济因素、饮食习惯等"软因素"。 总结：NutriIntel证明Agentic RAG+确定性引擎可满足医疗场景安全与可解释性要求，其混合检索、状态管理、多工作流等设计值得医疗AI开发者借鉴，可推广到其他高可靠性AI辅助决策领域。