三个月前，我还真没想过，自己天天琢磨的提示工程和Agentic AI，最后会扎进医疗随访这个领域，而且效果会这么直接。项目结束时，随访中心的外呼效率翻了两倍多，不是吹出来的两倍，是拿后台数据和排班表说话的两倍。这篇东西不写那套虚的，就把我当时怎么拆解需求、怎么设计Agent、怎么写提示词、怎么踩坑填坑的全过程捋一遍，给同样在做AI应用落地的同行一个能直接参考的样本。

先说清楚这个项目解决的是什么问题：一家随访中心每天要面对大量术后康复、慢性病复查的患者，需要定期电话回访，记录恢复情况和用药反馈。过去这些电话全靠人工一个个拨，平均每个护士上下午满打满算也就能完成几十通有效随访，遇到患者不接、聊偏题、方言重，时间哗哗就没了。现在用Agentic AI把标准化的那部分对话全部接管，把患者的回复实时结构化存下来，只有碰上异常情况和复杂诉求才转人工。这一套跑通之后，单位时间内能有效处理的随访量直接上了一个大台阶。

如果你也想把大模型真正用到业务流程里，而不是停留在聊天机器人演示层面，这篇复盘值得看完。里面涉及到的方案设计、提示词模板、坑点记录，都是可以直接抄作业的。

1. 项目背景：随访这件事，到底卡在哪里

1.1 别小看随访，它是医疗机构里一座隐形的业务大山

很多人觉得随访不就是打个电话问两句吗？真不是。一家大型随访中心，每月承接的随访任务轻则几千条，重则上万条，覆盖术后感染监测、慢病用药周期、康复进度评估，每一种随访都有明确的表单项要填写。护士打电话时，一边要照本宣科按流程问，一边还要听懂患者的口语化描述，转身填到系统里。

我当时跑去随访中心蹲了半天，看到护士们的真实工作状态：工位上密密麻麻贴着话术单，打完一个电话要在系统里勾选十几二十个字段，遇到患者说自己"有点不舒服"，就得追问具体是哪里不舒服、怎么不舒服、持续多久，这些信息全靠人工归纳后填表。一天下来，电话拨出去不少，真正有效完成的随访量其实有限。更麻烦的是，很多慢性病患者需要按月、按季度反复随访，同一批人不停地占用人力。

管理者最头疼的就是覆盖率。随访完成率有考核指标，但人力就那么多，长期加班不是办法。这个矛盾不解决，业务量稍微涨一点，整个随访中心就陷入疲于奔命的状态。

1.2 传统自动化方案为什么救不了这个场

随访数字化倒不是什么新鲜事，很多系统早有患者档案和随访计划，但这些系统只解决了"任务怎么派"，没解决"对话怎么做"。

医院也试过简单的自动语音菜单，相当于那种"按1选查询，按2选挂号"的按键交互。患者对这种冰冷的交互方式天然抵触，尤其在描述身体感受时，根本没法用选项去套。也接过一些用规则模板写的问答脚本，设计了几十条分支，看上去挺完整，但患者的回答只要稍稍偏离预设路径，比如打电话时正在做饭随口说了句"我还在忙，等下再说"，系统就懵了，只能反复重复同一个问题，患者烦躁地挂断，随访直接失败。

问题的根源在于：随访对话不是线性流程。患者会主动跳话题、反问、描述无关信息，甚至情绪激动地抱怨。传统的状态机规则能处理简单分支，但处理不了这种高度开放的自然语言输入。想要让机器真正承担随访工作，必须让它具备理解上下文、判断意图、灵活应变的能力，这正是Agentic AI能发挥价值的地方。

1.3 为什么这次选Agentic AI，而不是再调大模型接口

直接调大模型做对话其实也不难，难的是让它稳定地完成"随访"这个任务，而不是跟患者随便聊聊。

普通的大模型聊天有一个问题：每次对话都是平等的，模型没有"目标感"。你跟它说"你是一个随访助手，请问术后有没有发烧"，它大概率能说出合适的话，但接下来的追问、记录、分支判断、异常识别，全都要靠提示词提前塞进去，要么塞得多了模型行为紊乱，要么塞得少了漏掉关键信息。

Agentic AI的本质差异在于：它不是一个问答引擎，而是一个能规划多步骤行动并持续执行的智能体。它可以被拆成多个角色，每个角色负责一个明确的子任务，有入口判断的、有信息提取的、有风险识别的，各司其职，通过一套工作流串起来。这种结构天然适合随访这种流程明确、节点清晰、需要多种能力的场景。

另外一个现实的考量是调试成本。如果只有一个巨大的Prompt试图包办所有事，任何一处的行为不对，都要在几千字里翻找原因，牵一发动全身。拆成多个Agent之后，每个Agent的提示词独立，单独测试、单独迭代，出问题能精准定位。这一点在后面实际开发中，帮我们省了太多时间。

2. 核心设计：四个Agent组成的随访工作流

2.1 职能拆解，先别急着写提示词

我拿到需求后的第一步，不是写提示词，而是把整个随访任务拆解成一个个动作。那时候的拆解原型，大致可以用一个表格来概括：

拆完之后就会发现，天然存在一条处理流水线：电话接通后，入口路由Agent先判断这是哪一类随访任务，然后进入相应的提问流程；患者在回答过程中，信息抽取Agent实时工作，把口语内容转换成结构化字段；随访质控Agent在后台不断监听，一旦发现异常指标立即预警；最后移交决策Agent综合判断，是正常结束、还是转给人工处理。

这个拆法有一个额外的好处：每个Agent的上下文窗口需求不同。路由Agent只需要当前轮的意图；信息抽取Agent只需要最近几轮对话；而质控Agent需要全局信息做判断。拆开之后，各自的上下文都能精准裁剪，token消耗比一个大而全的Prompt低得多，响应速度也更快。

2.2 用状态机给对话上了轨道，不许AI自由发挥

拆好职能后，下一步是把对话流程固化成一张状态机图。我当时是按这类节点来设计的：开始、身份核实、随访问题逐个询问、异常情况确认、转人工分派、完成结束。

状态机存在的意义不是限制Agent发挥，而是提供骨架。每个状态对应一组可执行的Prompt规则，Agent在特定状态下只能沿着预设路径走，不能想聊什么聊什么。比如在"询问术后体温"这个状态，模型的任务就是围绕体温提问、追问异常值、记录结果；如果患者突然问"你们医院能开药吗"，状态机不会让它顺着聊下去，而是引导到"转人工"分支去处理。

这样设计之后，调试的维度被极大地简化了。出问题的时候，问题一定是出现在某一个状态上，只要针对那个状态的Prompt做微调就行。效率的提升，其实有一半来自这种工程化约束，而不是完全依赖模型自己的能力。

2.3 为什么不用一个大Prompt包办所有事

我在这个项目里守住的另一个原则是：绝不让一个Prompt承担所有工作。前期我做过对比测试，把角色设定、随访流程、信息抽取规则、异常判断逻辑全部塞到一个Prompt里，在一小批真实脱敏对话上跑，失败率明显偏高。具体表现为：随访到中途模型开始忘掉原来的指令；对某些问题回答得过于模板化；字段抽取偶尔遗漏关键内容。

原因也不复杂，上下文越长，模型对早期指令的遵循度越差，尤其当对话内容与指令权重混在一起时，决策边界就会模糊。多个Agent各自维护短而聚焦的Prompt，相当于把几百条业务规则分配到多个专业岗位上，每个岗位只吃透自己那部分，准确率和稳定性都会好很多。

这种模式在团队协作上的优势也很明显：我是提示工程架构师，但我不用等大Prompt的全局改动，入口Agent和质控Agent可以完全独立地迭代，互不干扰。这让我们在后期优化效率指标时，能快速响应，不用陷入"牵一发动全身"的泥潭。

3. 提示词架构：真正让效率翻倍的，是工程化而非魔法

3.1 把提示词分成四个层次，不是写一段故事

这个项目的提示词架构，我按四个层次来组织：全局安全护栏（L0）、角色与话术（L1）、业务规则与流程分支（L2）、结构化输出（L3）。

L0是全系统底层指令，内容不随场景变化，包括禁止伤害性言论、禁止承认自己不是真人且误导患者、禁止擅自提供医疗建议、涉及生命安全时必须转人工。这些规则优先级最高，任何Agent的输出都必须先过这一层。

L1定义每个Agent的角色身份和说话风格。同样是医学问题，随访Agent要说人话，但不能忘记医疗场景的严肃性。我让人设带了一点"有耐心的医护助理"的感觉，用词偏温和、庄重，不用网络用语，不给患者造成轻浮感。

L2是具体业务逻辑，比如术后随访要问哪几个问题、在不同回答下走什么分支、什么情况判定为异常。这一层是最常迭代的，也是真正的业务核心。

L3负责的是输出格式，要求模型返回符合JSON Schema的结构化数据。这四个层次各自独立维护，任何修改都限定在某一层内，不会互相污染。

3.2 核心提示词模板拆解，可以直接抄的那种

下面把当时实际用的几类关键Prompt模板整理出来，遮掉具体的业务敏感信息，结构完全保留。

第一个是角色设定的基础模板：

你是一名医院随访中心的医护助理，服务于术后和慢性病患者的定期回访工作。 你的任务是基于标准随访表单，以口语化方式询问患者，并如实记录其反馈。 你的说话风格必须：简洁、温暖、专业，不使用网络用语，不评判患者的任何回答。 你不得自行诊断或推荐治疗方案，任何医学判断只能由该系统之外的执业医师完成。 当患者描述严重不适时，你应该给出关心回应，并第一时间触发转人工流程。

第二个是信息抽取的模板。这是我最看重的部分，因为抽取质量直接决定数据的可用性。关键是要给模型少而精的示例，医学上叫few-shot，不要给几十个，三五个有效示例就够了：

请从以下患者随访对话中，抽取指定的医学信息字段，并以JSON格式输出。 字段列表： - symptom_main（主诉症状，字符串） - pain_level（疼痛评分0-10，数字，无则填null） - temperature（体温数值，数字，无则填null） - wound_status（伤口情况，枚举：正常/红肿/渗液/裂开/未知） - medication_compliance（用药依从性，枚举：规律/偶尔/停药/未知） - doctor_visit_required（是否建议就医，布尔值） 要求： - 只抽取对话中明确出现的信息，未提及的字段一律填null，禁止臆测。 - 患者口语化的表达，请规范化后再填入字段，如“肚子疼”填写为“腹痛”。 - 如果对话涉及多种症状，symptom_main只取最影响患者生活的那一个。 示例1： 对话: "我这两天有点发烧，伤口那块倒还行，不太疼，就是晚上睡觉会出虚汗。" 输出: {"symptom_main": "发热", "pain_level": 2, "temperature": null, "wound_status": "正常", "medication_compliance": null, "doctor_visit_required": false} 示例2： 对话: "药我是天天按时吃的，就是早上量血压感觉还是有点高，现在吃的是那个白色的药片。" 输出: {"symptom_main": "血压偏高", "pain_level": null, "temperature": null, "wound_status": "未知", "medication_compliance": "规律", "doctor_visit_required": null} 现在处理这段对话： 对话: "{这里是语音转写后的患者原话}"

第三个是异常识别与移交决策的模板。这里我采用了红黄绿三色规则，逻辑更稳健：

你是随访质量监督员，负责判断当前患者状态是否需要移交人工坐席。 请阅读以下随访记录，给出四级风险评估： - green：一切正常，随访可以继续或正常结束。 - yellow：存在需要额外关注但尚不紧急的信息，应在后续随访中专门跟进。 - orange：存在需要回电或二次确认的情况，可以结束通话但要安排随访专员联系。 - red：存在紧急风险，必须立即转接人工坐席并提示记录重点。 风险因素包括（不限于）： - 自述胸痛、呼吸困难、持续高热、大量出血，一并归为红。 - 术后切口红肿、渗液、裂开，或新出现剧烈疼痛，归为红或橙，以表述严重度为区分。 - 药物严重不良反应，如晕厥、严重腹泻、皮疹加重，归为红或橙。 - 情绪异常激动、有伤害自身的倾向，一律归为红。 请输出JSON格式：{"risk_level":"red/yellow/orange/green", "reason":"简洁的中文原因描述", "summary":"这次随访的关键信息摘要，不超过50字"}

3.3 结构化输出的命门：JSON Schema和容错机制

写Prompt让人输出JSON并不难，难的是让模型稳定地输出合法JSON。试过的人都知道，模型输出的JSON经常多一个逗号、少一个冒号、字段名串了字符。所以我在Prompot里除了要求输出JSON，还会在系统侧做三层容错。

第一，定义严格的JSON Schema并设定字段级约束，比如枚举值限定在几个选项内，数字限定范围，布尔值不允许写成字符串。第二，解析失败的时候自动重试一次，但告诉模型"上一次输出格式错误，请严格按JSON格式重新输出"，而不是让它原样返回一遍。第三，如果连续三次解析失败，不继续耗时间，直接降级转人工处理。

这套容错机制上线后效果很明显，结构化数据的解析成功率从一开始的八成左右提升到了接近满分，被降级的人工通话也一直控制在一个稳定的低比例。记住：如果模型输出格式经常错，多半不是模型不行，而是你的容错机制不够完备。

4. 实操实录：从0到1落地的完整过程

4.1 上线前，先把安全和数据流程想清楚

医疗场景和普通场景不一样，有些底线必须提前立好，而不是等出了问题再补救。

第一件事是数据脱敏。用于开发测试的对话数据，必须把患者姓名、身份证号、手机号、家庭住址全部处理掉，做开发的时候大家都用编号指代，谁也看不到真实身份信息。第二件事是明确人机边界，系统在任何情况下都不允许给出诊断结论或用药建议，这是我在L0层写上并且反复测试过的高压线。第三件事是预案，比如AI通话中患者突然说出急诊类表述，必须立即转人工或者给出就医指引，绝对不能机械地继续走流程。

这些流程虽然不直接贡献效率指标，但没有它们，这个项目根本过不了业务部门的审查。医疗场景的项目，合规不是成本，是准入门槛。

4.2 先跑沙盒演练，把Prompt的边界摸清楚

正式接入真实随访之前，我先搭了一个沙盒环境，准备了四五十段模拟对话脚本，覆盖正常康复、轻微不适、中度异常、危重疑似、情绪激动、方言口音、沉默不语、答非所问等多种情况。

沙盒的价值在于把边界问题提前暴露出来。比如当我测试"患者在电话里突然沉默"这种场景时，发现路由Agent会陷入循环追问，每次都问同样的话，患者那边感觉非常差。后来专门加了一个状态：如果患者连续两次未给出有效回复，进入确认环节并转为人工回拨。

又比如测试方言口音时，语音转写出的文本可能不通顺，信息抽取Agent会漏掉关键字段。后来我在抽取Prompt里加了一条约定：即使转写文本存在明显语法问题或口语化表达，也要尝试理解语义，不得直接放弃。

沙盒演练跑完，我把发现的问题整理成一个问题清单，逐一修复后再进入灰度阶段。这个环节看起来耗时，实际上省了后面非常多的事。

4.3 灰度压测，把指标钉牢再放大流量

我采用的是渐进灰度策略。前两周只放20%的随访量到AI通道，但人工坐席100%实时监听过，每条AI通话的录音和结构化记录都有人抽查。这个阶段最重要的产出不是效率提升，而是建立信心：让随访中心的同事看到AI生成的结构化数据基本可用，他们需要处理的是少量异常移交，而不是大面积的翻工。

灰度期我把指标定义得特别细。不是简单看"接通率"和"通话时长"，而是拆成了：有效随访完成率、结构化字段完整率、人工转接率、异常识别召回率、患者挂断率和投诉率。每个指标单独跟踪，每周复盘一次，针对性调整对应Agent的Prompt。

我记得很清楚，灰度第二周发现人工转接率偏高，排查后发现是质控Agent对"切口有少量渗液"这类中间状态判断过激，动不动就转红。后来在Prompt里补充了一条：少量渗液但无发热、无红肿蔓延时，以黄色级别记录并继续完成随访，只在患者主诉持续出血时才转红。调整之后人工转接率立刻回落了，但异常召回率没有明显下降，属于理想的修正方向。

4.4 效率数据实录：200%是怎么算出来的

项目上线稳定运行一个月后，我抽取了同一个周期的对比数据。为了方便说明，我用A周和B周代表改造前后的两个自然周期。A周是纯人工外呼，B周是AI外呼加人工兜底。两组的随访任务总数基本一致，随访类型占比也相同。

有效随访量从每天430条左右涨到1320条左右，换算一下确实超过了两倍。这个提升的来源要说明白，不是AI把每通电话打得更快，而是同时并行能力完全不同。人工护士一次只能服务一个患者，AI外呼可以多路并发，把标准化的内容全部自主完成，只把18%的问题转给人工。人工坐席的服务对象从"全员通吃"变成了"只处理高价值和疑难样本"，人效自然就变了。

患者满意度数据也在跟踪，AI阶段的投诉率没有上升，患者挂断率略有波动但没超出可接受范围。有几个护士私下跟我说，转过来的对话记录比她们自己手填的还规整，省了太多整理精力。这些排序靠前的反馈，比那个200%的指标更让我觉得项目真的立住了。

5. 踩过的坑与排查技巧实录

5.1 方言和口音，差点让信息抽取全面崩盘

真实落地的第一道坎就是方言。某地患者老年人居多，方言口音重，语音转写模型输出的文本充斥着错别字和倒装句，信息抽取Agent经常把关键症状搞错。有一回患者说"心头闷得很"，转写出来成了"新头发闷得很"，结果字段里生成了一个莫名其妙的"新头发不适"。

排查方法很朴素：把所有转写错误样本导出来，去看共性规律。发现本地语音的"心头"被转写成不同字形的频率极高，我在信息抽取Prompt里专门加了一个常见方言词汇对照段，比如"心头=胸部/心口"、"脑壳=头部"、"拉肚子=腹泻"等，并要求模型优先参照对照表做规范化。再有就是调高转写置信度阈值，低于阈值的句子不抽取，直接进入人工复核。这两个措施配合，方言区样本的抽取准确率才慢慢回到正常线。

5.2 红灯过度触发，人工坐席被淹没

上线初期，质控Agent的异常识别特别灵敏，连"患者打了个喷嚏"都恨不得标个yellow。结果就是人工转接率一度飙到三成多，人工坐席忙不过来，排班全乱，违背了提效的初衷。

后来我把异常识别从单一规则改成多因素联合判断。单独一个轻微指标不触发升级，比如低热或者轻微咳嗽，先如实记录；只有两个以上指标同时异常，或者出现明确的危险关键词，才触发yellow或red。同时我加了一条关键约束：质控Agent参考对话的上下文来判断严重度，不能只因为某个词出现在对话里就拉响警报。改了之后，人工转接率降下来了，同时我盯了一周，真正有危险的病例没有一个漏掉的。

5.3 识别环境噪音，防止上下文被污染

还有一类坑藏在通话环境里。有患者接电话时正在看电视，转写文本里混入"本台记者报道""欢迎收看"这类电视音频，信息抽取Agent差点把电视新闻里的内容抽取成患者主诉。排查时看到一条不可思议的随访记录：患者主诉为"某地发生森林火灾"，明显是转写混入了电视声音。

对策是在转写环节增加语音分离和信源过滤，并在抽取Prompt里补一条：只提取患者本人说出的与自身健康相关的表述，对话中出现的第三人称、新闻报道式内容不得作为主诉字段。这类问题不亲自踩一遍，很难提前想到，但它对数据质量的破坏性非常大。

5.4 常见问题速查表

我把这段时间踩坑的经验整理成一张速查表，方便类似项目遇到问题时快速定位：

6. 最后说几句实在话

做完这个项目我最大的体会是：提示工程架构师的工作重心，从来不在写提示词本身，而在定义任务边界、设计交互流程、建立反馈回路。真正让效率坐上火箭的，不是某一句神奇的指令，而是把大任务拆成小模块、用状态机约束行为、用结构化输出锁住质量、再配上一套扎实的容错和人工兜底机制。提示词只是这个工程体系里最后落笔的那一层。

跟着我复盘的逻辑去跑一遍，你会发现难的不是让AI开口说话，而是让它每次开口都做对的事。随访这个场景特殊性在于它关乎人的健康，所以我的原则始终是：AI负责效率，人工负责兜底，给患者的体验一定是专业和可靠的。这套思路，放在客服、运营、回访等同样需要大量人机协作的业务里，也完全可以平移。踩过的坑我都记录在上面了，希望你走得比我顺。