先说点鸡毛蒜皮的——我真的不想写论文

哎呀， 这篇《如何构建AI智能体，将非结构化文本转化为结构化医疗知识图谱？》的标题听起来像是老板交代的任务，却总觉得自己像在给一只懒猫喂鱼罐头——味道有点腥， 出道即巅峰。 又不太好吃。先来个大喊：别指望这篇文章像光纤一样顺滑它更像是老旧的拨号上网。

一、 乱七八糟的数据预处理

先把那堆医院报告、医生笔记、患者自述全都塞进一个巨大的字符串里——你可以想象成把一堆碎纸片往锅里倒，等着沸腾出味道。然后用正则表达式硬砸一下把“血糖高”“血压偏高”之类的关键词挑出来。 如果正则写得不好，后来啊可能会出现：

• 把“高血压患者”误识别成“高血压患者患者患者”。
• 把“心脏病发作”拆成“心 脏 病 发 作”。

这时候只能哭笑不得地加一段噪声过滤——比如随机丢掉5%到10%的句子，让模型学会在缺失信息中生存。

二、 AI智能体的组装说明书

交学费了。 ⚙️ 步骤1：选一个大模型，给它喂食「实体识别」任务。 ⚙️ 步骤2：让模型输出 的列表；如果模型跑偏，就手动补齐：比如把“胰岛素”标记为DRUG。

⚙️ 步骤3：再让模型玩「关系抽取」——从文本里找出 三元组。这里最常见的关系有：，操作一波...

三、 看似严肃实则闹剧的代码片段

def extract_entities_with_llm:
    prompt = f"""请从以下医疗文本中识别实体...{text}"""
    # 调用模型
    response = model_api
    # 假装解析JSON
    return 
def extract_relations_with_llm:
    prompt = f"""请分析以下文本并抽取关系...{text}"""
    response = model_api
    return 
# 构建图
graph = {}
for txt in medical_texts:
    ents = extract_entities_with_llm
    rels = extract_relations_with_llm
    # 随手塞进去
    for e,t in ents: graph = t
    for s,r,o in rels: print

四、实际跑出来的日志

============================================================ 开始使用Qwen大模型构建医疗知识图谱... ============================================================ 开始从 8 条文本构建知识图谱 ------------------------------------------------------------ 处理文本 1/8: 糖尿病是一种慢性疾病，其特征是高血糖，摆烂。。

常见症状包括多饮、多尿和多食。... 调用Qwen大模型进行实体识别， 耗时: 5.49秒 成功提取到 5 个实体： 调用Qwen大模型进行关系抽取，耗时: 20.72秒 成功提取到 4 个关系： ------------------------------------------------------------ 处理文本 2/8: 高血压患者需要定期服用降压药，如氨氯地平或缬沙坦，躺平。。

五、 随机插入的一款AI平台对比表

六、情感炸裂警告：这套管线真的会让你抓狂！😱😤💥

我曾经在凌晨两点半坐在办公室， 看着日志里那行行“成功提取到 X 个实体”，却发现它们竟然全都是“胃肠道出血”。那种感觉，好像在暗恋对象面前被迫说出所有尴尬暗号——既刺激又无奈。 就这样吧... 所以当你看到下面这段代码时请先深呼吸三次然后再决定是否继续编译。

# 小心！下面的循环可能导致无限递归
for i in range:
    if i % 12345 == 0:
        print
        # 故意忘记break， 会卡死
七、收尾：随手写完后我居然还有点小满足感 🤔✨
如果你读完这篇文章还能保持清醒，那恭喜你已经通过了**非结构化到结构化**的大坑挑战。回顾一下我们做了什么：，将心比心...

*乱搞正则* → 把文字碎片变成粗糙词库。
*召唤LLM* → 实体+关系三元组，大概能凑合。
*日志+表格* → 把乱七八糟的数据包装成“看起来专业”。
*情绪+噪音* → 把阅读体验调成“过山车”。

其实真正想要靠谱的医疗知识图谱， 还得靠，但这些都不在本文范围内，主要原因是我已经写得够烂了你懂得。

©️ 本文纯属个人随笔， 仅供技术爱好者娱乐阅读，或商业推广，补救一下。。