看病不止于诊断：当 AI 学会写处方

从”你得了什么”到”接下来怎么办”

诊断在医学里一直是最性感的部分。病人来了，医生问了几个问题，想了一会儿，说出一个病名——像破案。过去两年，AI 也学会了破案。好几篇顶刊论文证明 LLM 做鉴别诊断不输医生，Google 的 AMIE 在 2025 年那篇 Nature 里甚至 30/32 个维度超过全科医生。

但诊断只是看病的第一步。

真正占据医生日常的是管理——确诊之后开什么药、开多大剂量、什么时候复查、药没效果怎么换、病人同时有三种病怎么平衡。这些决策没有”正确答案”，两个医生面对同一个病人可能给出完全不同的方案，而且都对。这种模糊性，恰恰是 AI 最难啃的部分。

昨天 Nature 发了一篇论文，Google 团队把 AMIE 从诊断推进到了疾病管理。读完之后我觉得最意外的不是”AI 又赢了一项”：AI 暴露了医生有多少知识从来没被写下来过。

快思考与慢思考：两个大脑

AMIE 的设计借了 Kahneman 那本老书的框架。一个对话 Agent 负责跟患者聊天，快速响应，维护跨多次就诊的记忆——快思考。另一个管理推理 Agent 在后台干活，一次性吃掉 627 篇临床指南（1050 万 tokens），从中筛出 6 篇相关的，生成 4 份管理计划草稿，精炼合并成一份：慢思考。

快的那个几秒回一句话。慢的那个要一分钟，但输出的是带指南引用的结构化治疗方案：做什么检查、开什么药、剂量多少、什么时候复查、什么情况下改方案。

这架构不新鲜。但有一个设计选择值得注意：慢 Agent 不走 RAG 的碎片检索路线，而是把整篇指南原文塞进长上下文窗口，让模型自己在几百页里来回翻找。作者的理由是，RAG 的切片检索会引入累积误差和分块选择困境，而长上下文模型在”语料库内问答”任务上已经能跟专业检索系统打平。

这背后的赌注是：与其把知识切碎再拼回来，不如让模型直接面对完整的知识。

考试现场：100 场模拟门诊

评估用的是 OSCE：医学教育里考临床能力的金标准。简单说就是让考生面对标准化病人（演员扮演），在结构化场景里展示问诊和管理能力，考官用标准评分表打分。

研究设计：100 个多次就诊场景，覆盖心脏、呼吸、妇产/泌尿、消化、神经/肌骨五个专科。每个场景三次就诊，模拟病情在数周到数月内的演变。21 名全科医生（来自加拿大和印度，中位 9 年经验）各管各的病人，AMIE 各管各的。30 名专科医生盲评，看对话记录和诊后问卷，但不知道哪份是 AI 写的。

总体结论：管理推理上 AMIE 不劣于医生。在 15 个评估维度、3 次就诊中，没有任何一个维度是医生显著优于 AMIE 的。

但这里有一个不对称性，英国 Science Media Centre 的专家点出来了：AMIE 被设计成严格遵循指南，评估标准也以指南对齐为核心。让一个以指南为食的系统去参加以指南为评分标准的考试，就像让一个照菜谱做饭的厨师参加”谁做的菜最像菜谱”的比赛。

精确度：30 个百分点的裂缝

这是整篇论文里最让我停下来的数字。

治疗建议的精确度：AMIE 95%，医生 65%。差距 30 个百分点。三次就诊，次次如此。

什么叫精确度？不是说谁的治疗更对，而是谁写的东西更具体、更可执行。医生说”建议抗生素治疗”——方向没错，但你拿着这句话去药房拿不到药。AMIE 说”阿莫西林 500mg，口服，每日三次，饭后，疗程七天；若 72 小时无改善复诊，复查血常规和 CRP”——这是一份你能直接执行的医嘱。

这个差距重要，但它指向的不是”AI 比医生强”。

医生写不出精确处方吗？当然不是。他们只是没时间写。门诊一个病人 8 分钟，写详细方案意味着下一个病人多等 8 分钟。所以医生给方向，指望护士或药剂师补细节。这个链条一直存在，只是大家习惯了，不觉得它是个问题。

AMIE 不受时间约束，把每个”等等再说”变成了”什么情况下等、等多久、等什么指标、指标到什么值该来”。它把医生脑子里有但嘴上没说的东西全写出来了。

这让我想到一个不舒服的问题：如果医生的模糊不是能力问题而是时间问题，那医疗系统到底有多少知识缺口是被时间压力掩盖的？我们一直以为医生”知道就好”，但从来没有认真衡量过”没写下来”这件事的代价。

指南是地图，不是目的地

话说回来，精确和正确之间还有一道沟。

AMIE 在第三次就诊时的指南引用率是 100%，医生是 86%。听起来 AI 赢了。但临床研究早就发现，有经验的医生比新手更常偏离指南。这不是他们不懂指南，而是指南覆盖不了的判断——这个病人肾功能不好要调剂量、那个病人付不起这个药要换便宜方案——恰恰是经验的价值所在。

在 RxQA 药物推理基准上，这个张力更明显。600 道选择题，来自美国和英国药物手册，执业药师验证过。低难度题双方差不多。高难度题 AMIE 领先（57.9% vs 47.8%）。但满分？AMIE 最高也就 73.8%，离及格线远着呢。药物推理对 AI 和人都还很难。

同日发表的 MIRA 系统（另一个团队，同一天上 Nature）走了不同路线——直接在模拟电子病历里自主操作，诊断准确率 88% vs 医生 78%。但西班牙 Science Media Centre 的评价很冷静：“这些模型在模拟或回顾性数据上表现良好，但结论的强度有限。”

而 AMIE 自己在真实患者的试验里（100 人，预印本，还没同行评审），诊断 top-1 准确率只有 56%，虽然零安全停止事件。更有意思的是，在那场试验里，医生被评在实用性和成本效益上显著更好。

还有一个发现藏在消融实验里：当 Gemini 2.5 Flash 基础模型够强时，整套 agent 脚手架——双 Agent、结构化推理、指南检索——带来的改进几乎消失。

这大概是所有 AI agent 工程的宿命：你在给马设计精密马鞍，结果马进化成了飞机。模型每进步一代，上一代的工程巧思就贬值一层。今天的双 Agent 架构是 2025 年的最优解，但到 2027 年可能只是一个历史注脚。

这不是悲观。这是这个领域的速度。

全球基层医生的短缺是结构性危机，不是技术能单独解决的。但如果有一天 AI 真能当医疗系统的”连续性锚点”——在你每次见到不同医生的时候，至少有个东西记得你的全部病史和治疗计划——那 AMIE 展示的就是这件事的可能性边界。

只是今天的证据还撑不起这个承诺。

AI 开处方这事，你觉得卡在哪？

原文参考

Liévin, V., Palepu, A., Weng, WH. et al. Towards Conversational AI for Disease Management. Nature (2026). https://www.nature.com/articles/s41586-026-10764-5