一、前言

       在我国，糖尿病、高血压等慢病患者已超4亿人，居家慢病管理中 "咨询难、解答不专业、随访不及时" 成为普遍痛点。基层医生精力有限，大医院挂号难，很多患者的日常健康疑问得不到及时、专业的解答。

       今天，我们就从实际需求出发，结合安诊儿AntAngelMed医疗大模型的专业医疗能力、FastAPI的高性能后端框架，以及直观的前端交互页面，完整的搭建一套可直接落地的慢病管理 AI 助手。这个系统能 7×24 小时为患者提供专业的健康建议，既适合个人居家使用，也可部署到社区医院、互联网医疗平台。

二、项目核心价值

1. 解决的核心问题

• 患者：随时咨询糖尿病/高血压饮食、运动、用药等问题，无需等待医生回复
• 基层医疗机构：减轻医护人员重复解答基础问题的负担，提升服务效率
• 开发者：掌握医疗大模型落地的全流程，从后端接口到前端交互的完整链路

2. 技术栈选型

3. 系统整体架构

       用户通过前端页面输入问题 → FastAPI 后端接收请求并校验 → 调用 AntAngelMed 模型获取专业回答 → 后端返回结构化数据（含 Token 使用量） → 前端渲染回答并更新 Token 统计，全程异步处理，响应速度快。

请求响应流程说明：

• 1. 用户前端页面

• 用户输入医疗咨询问题
• 构建POST请求发送至后端
• 等待并接收结构化响应

• 2. FastAPI后端服务

• 接收 /api/chat 接口请求
• 进行请求参数校验和预处理
• 调用OpenAI兼容格式接口连接医疗大模型
• 处理返回结果并结构化封装
• 记录Token消耗数据

• 3. AntAngelMed医疗大模型

• 接收专业医疗咨询请求
• 进行医学知识推理和回答生成
• 返回专业回答内容
• 附带Token使用统计信息

• 4. Token使用统计

• 本地存储每次请求的Token消耗量
• 记录用户、时间、消耗数量
• 支持用量分析和成本核算

• 5. 用户交互界面/Token统计面板

• 展示大模型返回的专业回答
• 可视化展示Token消耗情况
• 提供用量监控和预警

三、安诊儿AntAngelMed模型介绍

       AntAngelMed，蚂蚁・安诊儿医疗大模型，是由浙江省卫生健康信息中心、蚂蚁集团与浙江省安诊儿医学人工智能科技有限公司联合研发的超大规模开源医疗语言模型，于2026年1月7日正式发布开源。作为目前全球参数量最大、性能最强的开源医疗大模型之一，它以 1028.9 亿总参数、仅需激活 61 亿参数即可高效运行的特性，重新定义了 AI 医疗的专业边界与效率标准。

1. 模型定位

• 核心定位：提供专业、安全、高效的医疗AI能力，填补开源医疗大模型在性能与实用性上的空白
• 开发背景：针对医疗AI领域 "精度与效率难以协同" 的行业痛点，打造符合真实医疗场景需求的专业模型
• 模型类型：基于Transformer架构的稀疏混合专家（MoE）大语言模型，专注医疗垂直领域
• 开源时间：2026 年1月7日，开源仓库：GitHub@MedAIBase/AntAngelMed

2. 关键参数与规模

3. 技术架构与创新

3.1 混合专家（MoE）架构设计

AntAngelMed 采用Ling-flash-2.0高效MoE架构，创新地将医疗知识领域划分为多个 "专家模块"，实现类似 "多学科会诊" 的推理模式：

• 模型包含128 个专家网络，每个专家专注特定医疗子领域（如心血管、内分泌、消化等）
• 动态路由机制：根据输入问题的医疗属性，精准激活相关专家，避免冗余计算
• 这种设计使模型在保持千亿级参数知识容量的同时，大幅降低推理算力消耗，解决了医疗大模型 "大而不优" 的核心问题

3.2 三阶段专业训练流程

模型通过严格的三阶段训练，打造兼具专业深度与人文关怀的医疗AI能力：

训练数据特别强调权威性与合规性，严格遵循《中国心血管病防治指南》等 20 + 部国家级权威医疗规范，确保模型输出与临床标准对齐。

3.3 核心技术创新点

• 1. 逻辑自洽与自我纠错：能识别输入信息中的矛盾点，自动修正推理路径，提升复杂病例诊断准确性
• 2. 指南对齐分层诊断：严格按照临床指南进行疾病分级诊断，避免过度医疗或漏诊风险
• 3. 主动追问机制：面对信息不全的问诊，能像真人医生一样引导用户补充关键症状信息
• 4. 多模态支持：计划集成视觉能力，支持医学影像、皮肤疾病照片等多模态输入

3.4 临床实用性验证

• 在慢病管理场景（糖尿病、高血压等）的干预建议与临床专家一致性达88.9%
• 能准确解读 95% 以上常见体检报告，识别关键异常指标并提供专业解读
• 多轮问诊中，问题引导的有效性与真实医生相比无显著差异，提升患者信息提供完整性

4. 核心医疗能力

• 疾病诊断推理：基于症状描述进行鉴别诊断，提供可能病因与进一步检查建议
• 慢病管理指导：为糖尿病、高血压等慢病患者提供个性化饮食、运动、用药建议
• 健康科普教育：用通俗易懂的语言解释医学知识，提升公众健康素养
• 医患沟通辅助：帮助医生快速生成问诊提纲，优化医患交流效率
• 医疗文书处理：自动生成病历摘要、出院小结等，减轻医护文书负担

5. 典型应用场景

AntAngelMed 的应用覆盖从个人健康到临床医疗的全链路：

6. 模型调用方式

通过蚂蚁百宝箱，申请 API Key进行调用；每天有500000计算单元的免费额度。

在初始化客户端时，开发者需通过设置 base_url 参数，将其指向我们的 API 网关地址 api点tbox点cn/api/llm/v1/

from openai import OpenAI
client = OpenAI(
    # 将 base_url 指向我们的 API 地址
    base_url="https://api.tbox.cn/api/llm/v1/",
    # 使用您的访问令牌
    api_key="your-token-here" 
)
completion = client.chat.completions.create(...)

四、完整示例说明

1. 后端部分

基于 FastAPI 构建的轻量级后端服务，用于对接安诊儿大模型AntAngelMed提供慢病管理智能问答能力。

from fastapi import FastAPI, HTTPException
from fastapi.middleware.cors import CORSMiddleware
from openai import OpenAI
from pydantic import BaseModel
# 初始化 FastAPI 应用
app = FastAPI()
# 配置跨域（允许前端页面访问）
app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],  # 开发环境允许所有来源，生产环境请指定具体域名
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)
# 初始化 OpenAI 客户端
client = OpenAI(
    base_url="https://api.tbox.cn/api/llm/v1/",
    api_key="sk-studio-e71****************be2f1"  # 请替换为你的实际 API Key
)
# 定义请求体模型
class ChatRequest(BaseModel):
    message: str
# 定义对话接口
@app.post("/api/chat")
async def chat(request: ChatRequest):
    try:
        # 调用 AntAngelMed 模型
        completion = client.chat.completions.create(
            model="AntAngelMed",
            messages=[
                {
                    "role": "system",
                    "content": "你是一名专业的慢病管理顾问，专注于糖尿病和高血压的健康管理。请用通俗易懂的语言回答用户的问题，提供科学、实用的建议，避免使用过于专业的术语，必要时给出具体的行动指导。\n\n输出格式要求：\n1. 使用二级标题 (##) 分隔不同主题\n2. 使用三级标题 (###) 分隔子主题\n3. 使用无序列表 (-) 列出要点\n4. 重点内容使用 **加粗** 标记\n5. 重要提示使用【注意】或【建议】开头\n6. 每个段落之间使用空行分隔"
                },
                {"role": "user", "content": request.message}
            ]
        )
        
        # 提取并返回回答
        response_content = completion.choices[0].message.content
        usage = completion.usage
        return {
            "success": True,
            "answer": response_content,
            "usage": {
                "prompt_tokens": usage.prompt_tokens,
                "completion_tokens": usage.completion_tokens,
                "total_tokens": usage.total_tokens
            }
        }
    
    except Exception as e:
        # 异常处理
        raise HTTPException(status_code=500, detail=f"调用模型失败：{str(e)}")
# 启动服务的入口
if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

重点说明：

• 使用 OpenAI SDK接入：通过指定 base_url 和 api_key，调用兼容 OpenAI 协议的 AntAngelMed 医疗大模型。
• 系统提示词强约束：在请求中注入结构化 system prompt，强制模型以 Markdown 格式、通俗语言回答慢病管理问题，确保专业性与可读性。
• CORS 全开放便于前端联调：开发阶段允许任意来源跨域访问，提升调试效率；
• 接口输入输出标准化：POST /api/chat 接收用户消息，返回结构化回答及 token 消耗，便于前端解析和成本监控。
• 异常统一捕获：所有调用错误被捕获并转为 HTTP 500 响应，附带错误信息，便于排查模型调用失败原因。
• 独立运行快速部署：内置 Uvicorn 启动器，可直接运行或容器化；

AntAngelMed 模型调用关键参数：

• model="AntAngelMed"：指定使用医疗专用模型，确保回答的专业性
• temperature=0.7：值越低回答越严谨，符合医疗场景的安全性要求
• max_tokens=1000：限制回答长度，平衡详细度和 Token 成本

2. 前端部分

简单说明前端的框架结构，和后端的交互方式，以及模型返回的内容处理，完整的前端示例请参考附录部分；

2.1 整体布局：双栏结构（侧边栏 + 主聊天区）

<div class="main-container">
    <!-- 左侧常见问题 -->
    <div class="sidebar">
        ...
    </div>
    <!-- 右侧主界面 -->
    <div class="container">
        ...
    </div>
</div>

说明：采用 flex 布局实现左侧“快捷提问+Token统计”面板与右侧“聊天主窗口”的分离，兼顾功能引导与交互体验，适配桌面端宽屏显示。

2.2 快捷提问按钮区域（提升用户启动效率）

<div class="quick-questions">
    <button class="question-btn" onclick="askQuestion('高血压患者饮食需要注意什么？')">高血压患者饮食需要注意什么？</button>
    <button class="question-btn" onclick="askQuestion('糖尿病患者可以吃水果吗？')">糖尿病患者可以吃水果吗？</button>
    <!-- 其他预设问题... -->
</div>

说明：提供12个高频慢病问题一键发送，降低用户输入门槛，特别适合老年或非技术用户快速获取专业建议。

2.3 Token 使用统计面板（透明化资源消耗）

<div class="token-panel">
    <h3>Token 使用统计</h3>
    <div class="token-usage">
        <div class="token-usage-item">
            <span class="token-usage-label">本次输入</span>
            <span class="token-usage-value" id="prompt-tokens">0</span>
        </div>
        <div class="token-usage-item">
            <span class="token-usage-label">本次输出</span>
            <span class="token-usage-value" id="completion-tokens">0</span>
        </div>
        <div class="token-usage-item">
            <span class="token-usage-label">累计消耗</span>
            <span class="token-usage-value total" id="total-tokens">0</span>
        </div>
    </div>
    <div class="free-quota">
        <strong>每日Token免费额度累计 500,000</strong><br>
        <span id="quota-remaining">今日剩余: 500,000</span>
    </div>
</div>

说明：实时显示本次及累计 Token 消耗，并提示免费额度，增强用户对 AI 调用成本的感知，避免超额使用。

2.4 聊天消息容器（支持 Markdown 渲染）

<div class="chat-container" id="chat-container">
    <!-- 欢迎消息 -->
    <div class="message assistant-message">
        您好！我是您的慢病管理助手，专注于糖尿病和高血压的健康管理。请问您有什么想咨询的问题？
    </div>
</div>

说明：初始欢迎语引导用户提问；后续通过 JS 动态插入用户/助手消息，为结构化回答（标题、列表、加粗等）预留样式支持。

2.5 输入区域（支持回车发送）

<div class="input-area">
    <div class="input-container">
        <textarea id="message-input" placeholder="请输入您的问题，例如：高血压患者饮食需要注意什么？"></textarea>
        <button id="send-btn" onclick="sendMessage()">发送</button>
    </div>
</div>

 说明：使用 <textarea> 支持多行输入，绑定 Enter 键发送（不换行），提升移动端与桌面端操作流畅性。

2.6 核心交互逻辑：调用后端 API 并渲染结构化回答

async function sendMessage() {
    const inputElement = document.getElementById("message-input");
    const sendBtn = document.getElementById("send-btn");
    const chatContainer = document.getElementById("chat-container");
    
    const message = inputElement.value.trim();
    if (!message) return;
    sendBtn.disabled = true;
    inputElement.value = "";
    // 添加用户消息
    const userMessageElement = document.createElement("div");
    userMessageElement.className = "message user-message";
    userMessageElement.textContent = message;
    chatContainer.appendChild(userMessageElement);
    // 添加加载动画
    const loadingElement = document.createElement("div");
    loadingElement.className = "message assistant-message";
    loadingElement.innerHTML = '<div class="loading"><div class="loading-dot"></div></div>';
    chatContainer.appendChild(loadingElement);
    chatContainer.scrollTop = chatContainer.scrollHeight;
    try {
        const response = await fetch(API_URL, {
            method: "POST",
            headers: { "Content-Type": "application/json" },
            body: JSON.stringify({ message })
        });
        const result = await response.json();
        chatContainer.removeChild(loadingElement);
        if (result.success) {
            updateTokenStats(result.usage);
            const assistantMessageElement = document.createElement("div");
            assistantMessageElement.className = "message assistant-message";
            assistantMessageElement.innerHTML = formatMessage(result.answer); // 关键：格式化 Markdown
            chatContainer.appendChild(assistantMessageElement);
        } else {
            // 错误处理...
        }
    } catch (error) {
        // 网络错误处理...
    } finally {
        sendBtn.disabled = false;
        chatContainer.scrollTop = chatContainer.scrollHeight;
    }
}

• 异步调用 FastAPI 后端 /api/chat 接口；
• 显示加载动画提升等待体验；
• 关键创新：通过 formatMessage() 将模型返回的 Markdown 文本转换为带样式的 HTML，实现 ## 标题、- 列表、加粗** 等结构化展示。

2.7 Markdown 到 HTML 的轻量级转换函数

function formatMessage(text) {
    let formatted = text;
    // 转义 HTML
    formatted = formatted.replace(/&/g, "&amp;").replace(/</g, "&lt;").replace(/>/g, "&gt;");
    // 处理标题
    formatted = formatted.replace(/^### (.+)$/gm, '<h3>$1</h3>');
    formatted = formatted.replace(/^## (.+)$/gm, '<h2>$1</h2>');
    // 处理加粗、列表、分隔线、【注意】/【建议】等
    formatted = formatted.replace(/\*\*([^*]+)\*\*/g, '<strong>$1</strong>');
    formatted = formatted.replace(/^- (.+)$/gm, '<li>$1</li>');
    formatted = formatted.replace(/(<li>.*<\/li>\n?)+/g, '<ul>$&</ul>');
    formatted = formatted.replace(/【注意】/g, '<div class="warning">注意：');
    formatted = formatted.replace(/【建议】/g, '<div class="tip">建议：');
    // 段落处理...
    return formatted;
}

说明：这是前端智能化的关键，将大模型按规范生成的 Markdown 文本，自动转为带 警告框（黄色）、提示框（蓝色）、层级标题、列表 的富文本，大幅提升可读性与专业感。

2.8 Token 统计持久化（本地存储）

function loadTokenStats() {
    const saved = localStorage.getItem("tokenStats");
    if (saved) {
        const stats = JSON.parse(saved);
        totalPromptTokens = stats.promptTokens || 0;
        totalCompletionTokens = stats.completionTokens || 0;
        // 更新 UI...
    }
}
function saveTokenStats() {
    localStorage.setItem("tokenStats", JSON.stringify({
        promptTokens: totalPromptTokens,
        completionTokens: totalCompletionTokens
    }));
}
window.addEventListener("beforeunload", saveTokenStats);

说明：利用 localStorage 保存当日 Token 消耗，即使刷新页面也不丢失统计，提升用户体验连续性。

3. 运行输出

3.1 首先启动后端服务

3.2 前端运行后的界面

左侧有常见问题和token消耗提示，右侧和模型交互返回的内容经过markdown处理后展示；

接口交互与结果返回：

4. 应用扩展

4.1 上下文对话支持    

# 后端新增会话管理
session_store = {}
@app.post("/api/chat")
async def chat(request: ChatRequest, session_id: str = Body(...)):
    # 初始化会话
    if session_id not in session_store:
        session_store[session_id] = [{"role": "system", "content": "你的system指令"}]
    # 添加用户消息
    session_store[session_id].append({"role": "user", "content": request.message})
    # 调用模型
    completion = client.chat.completions.create(
        model="AntAngelMed",
        messages=session_store[session_id]
    )
    # 保存助手消息
    session_store[session_id].append(completion.choices[0].message)

4.2 Token 限流

# 新增限流中间件
from fastapi import Request
from starlette.middleware.base import BaseHTTPMiddleware
class TokenQuotaMiddleware(BaseHTTPMiddleware):
    async def dispatch(self, request: Request, call_next):
        # 检查用户今日Token消耗是否超限
        user_id = request.headers.get("X-User-ID", "anonymous")
        total_used = get_user_token_usage(user_id)  # 从数据库/Redis获取
        if total_used > 500000:
            return JSONResponse(
                status_code=429,
                content={"success": False, "detail": "今日Token额度已用尽"}
            )
        response = await call_next(request)
        return response
app.add_middleware(TokenQuotaMiddleware)

五、总结

       简单来说，这次我们搭的糖尿病、高血压慢病管理 AI 助手，核心就是运用AntAngelMed 这个医疗大模型的专业能力。这个模型是专门做医疗领域的，尤其在慢病管理这块特别专业，给出的饮食、运动、用药建议都贴合临床规范，和医生的专业建议契合度特别高，完全不是普通大模型的泛泛回答。

       结合这个AI示例，不管是用户问的基础问题，还是个性化的慢病管理疑问，都是靠调用 AntAngelMed 来生成答案，它能按照我们设定的格式，用通俗的话讲专业知识，还会标重点、给明确建议，普通人也能看明白。也正是因为有这个模型的专业能力打底，这个 AI 助手才能真正帮上忙，不管是居家患者随时咨询，还是基层医疗机构减轻工作负担，都能给出靠谱的解答。该系统能切实解决慢病管理中的咨询痛点，适用于居家、社区、互联网医疗等多个场景。