从对话智能到可验证执行：面向院内医疗3D打印的六能力协同框架

摘要

目的：面向患者数据留在院内、外网不可依赖、专科算法与制造设备需要协同的应用场景，探讨如何将研发阶段的AI辅助经验转化为本地智能体可重复调用的执行能力，并建立从医学影像到实体模型的可验证交付机制。

方法：采用问题驱动的概念分析、定向文献核对与工程架构设计。以chcomct SI研发讨论、既有公开工程文章及一份技术样件验收记录为背景，区分已记录观察、机制解释和拟议设计；将检索增强生成、智能体工具使用、技能封装和医学3D打印质量控制原则映射到统一任务流程。

框架产出：提出提示词工程、参数配置、技能封装、检索增强生成、工具调用和流程编排六项协同能力；设计研发与院内运行分离的部署关系、具有输入输出与验收约束的技能单元、持久任务记录以及覆盖数字模型、设备执行和实物检查的证据链，并提出固定流程基线、消融比较及故障注入评价方案。

结论：本地智能体的可用性需要通过模型判断、确定性程序、专科算法、设备反馈和人工审核共同形成。本文提供架构与研究方案，不报告六项能力已整体验证、稳定自主成功率或临床获益；其价值应在独立任务、异常恢复和真实交付中检验。

关键词：本地智能体；医疗3D打印；技能封装；检索增强生成；工具调用；流程编排；可验证执行

1 研究问题：如何把研发协助转化为院内执行能力

在医学3D打印业务中，“把这一例做成可打印模型”包含一组相互依赖的判断与操作：识别检查和目标部位、选择合适算法、生成并核对模型、确定制造方案、切片、下发设备、跟踪执行、实物检查与业务结案。自然语言可以压缩交互入口，执行系统仍需完整保存这些依赖关系。

2026年10月14日的子殷研发讨论提出了一个实际问题：研发阶段可以借助GPT分析复杂故障、完善工具与操作规则，而医院日常工作需要由本地SI在不依赖外网的条件下调用专科模型和打印设备。如何让一次成功的研发协助，转化为下一次可以独立复用的能力，是本文的核心问题。

本文将“可验证执行”定义为：在已声明的输入、用途、版本和授权范围内，系统执行的动作、产生的对象及完成状态均有相应证据，未知和失败可以被明确表达，后续人员能够核查交付依据。“自主”则限定为任务在既定审核节点之外，无需开发人员临时改代码或代替系统操作；它不意味着取消专业人员的责任。

本文的贡献是提出适用于该场景的能力划分、任务契约与评价结构。六项能力是工程组织方式，并非六个新算法，也不主张其组合已被证明具有普适优势。系统可采用一个本地语言模型协调多种专业工具，不需要因新增一个解剖部位就另建一个聊天入口。

2 方法、资料与证据边界

本文开展截至2026年10月14日的定向文献核对，优先采用原始论文、作者项目及规范原文。检索围绕RAG、智能体工具使用、技能格式、重复任务可靠性和医学3D打印质量控制展开，不构成系统综述。分析步骤为：明确任务边界，分解能力与依赖，设计执行和证据结构，再提出可被实际结果支持或否定的验证方案。

RAG研究为把外部资料纳入生成过程提供方法基础^[1]；ReAct为结合行动与环境观察调整任务处理提供参考^[2]；Agent Skills规范提供技能说明及脚本、参考资料的组织方式^[3]。这些资料支持设计思路，均不能证明子殷现有系统的整体验证状态。本文对RAG、ReAct及τ-bench的引用限于已核对的论文摘要与书目信息；未开展其原始实验复现。

项目背景包括2026年10月12日的故障与技能设计文章^[7]、10月13日的本地打印执行工程文章^[8]，以及10月13日形成的一份技术样件验收记录。后者记录了设备完成、一次发送和用户对实物质量的确认，同时明确缺少具体尺寸量测资料、尚未回写平台正式质检状态，且不包含临床审核或正式放行。本次写作核对了该记录的文本，未重新打印或复测。

上述资料支持已存在局部工程实践和特定样件验收记录，不能作为本框架整体有效性的实证结果。本文未新增患者研究，也未把先前文章、其引用的原始记录和本次转述计作多个独立案例。公开稿不披露患者信息、内部任务标识、设备身份凭据或网络地址。

3 六项能力及其职责关系

六项能力共同服务于同一任务：提示词组织目标理解，参数配置限定可执行范围，技能封装承载可复用操作，RAG提供有来源的知识，工具调用连接真实程序，流程编排维持跨步骤状态。它们可以在同一后台协作，界面围绕任务、进度、结果和需处理事项组织。

3.1 提示词工程。提示应说明当前角色、业务目标、可用工具、输出结构以及缺失信息的处理方式。例如识别“原始骨形态重建”和“复位候选”属于不同任务，不能仅凭“打印骨折模型”默认执行复位。提示可以引导模型按要求输出，但必填字段、单位和执行权限还需由程序独立检查。

3.2 参数配置。本文区分三类参数：语言模型推理设置、专科算法运行设置和打印工艺设置。配置应绑定适用部位、数据条件、设备、材料和软件版本，允许SI从经过验证的方案中选择。超出有效范围时产生待评估候选，不能悄然替换生产配置。提示调整和工艺调参不会自动改变基础模型权重；微调、蒸馏与训练需另有数据、过程和独立评估记录。

3.3 技能封装。技能是具有适用条件、必需输入、工具绑定、操作步骤、输出对象、异常处理和验收方法的操作单元。技能说明与脚本可以分层组织^[3]；本文进一步要求绑定业务版本和证据。只有文档而没有工具接入，或只有脚本而没有验收条件，都不足以构成完整的可复用执行能力。

3.4 检索增强生成（RAG）。院内知识可包括经审核的操作规范、算法适用说明、设备手册、工艺配置说明及故障处置记录。检索结果应带来源、版本、生效状态和适用范围；冲突、过期或不足时如实返回。设备当前状态仍需实时查询，不能由历史文档替代。检索内容作为证据材料，不能自行赋予权限或改写执行规则；RAG也不能直接证明影像分割精度提高。

3.5 工具调用。SI通过受约束的接口调用影像读取、专科推理、网格核验、切片和设备查询或提交程序。每次调用都核对输入类型、对象版本、前置条件和返回状态。跟骨分割、骨块复位及骨盆重建是不同能力；CalcAI等专业算法须以实际接口和验证范围注册。文本中声称“完成”不触发完成状态，状态来自工具结果与相应核验。

3.6 流程编排。任务记录由程序持久保存，并管理步骤依赖、审核状态、检查点、异常恢复及资源占用。模型可以提出下一步，编排程序依据有效条件决定是否执行。材料、设备或模型版本改变后，系统明确使哪些旧结果失效；多用户并发时，任务归属、设备占用和提交记录共同约束执行，避免仅靠对话记忆协调。

4 研发与院内运行分离的部署结构

本框架设置两个职责域。研发环境使用GPT等工具辅助问题分析、候选代码、提示与技能说明编写及测试设计；院内运行环境保存本地模型、知识索引、执行程序、专科算法和设备适配器，完成日常患者任务。二者通过经过审查和验证的软件与技能版本衔接，院内执行不以实时连接云端模型为前提。

研发资料应限定在批准范围内，优先采用模拟样例、合成日志及获准使用的必要材料。患者原始影像保持既定访问边界；去标识化资料也须按实际授权使用。软件包进入院内前核对版本、依赖、完整性和回滚入口，院内异常经验返回研发时同样限定字段与用途。

离线能力需要实测。除语言模型外，嵌入、检索、重排、文件解析、切片、设备认证、打印下发、状态查询及业务回写都可能形成运行依赖。验收应阻断外网而保留必要院内通信，覆盖服务冷启动、新建任务和中断恢复，记录哪些依赖仍无法满足。只证明模型在本机推理，不能代表全链路已离线可用。

数据留在院内是一项需要持续核验的系统条件。外联限制、最小权限、日志内容和离线更新流程均应匹配部署要求。该结构能够减少对实时外部服务的依赖，但本文不作“离线即没有隐私或网络风险”的绝对承诺。

5 最小执行单元：技能契约与持久任务记录

技能契约回答“这项能力在什么条件下、对哪个对象、可以完成什么”。持久任务记录回答“本次调用属于哪个业务任务、发生了哪些动作、目前有哪些证据”。将可复用规则与某一次执行分开，有利于替换算法或升级技能，同时保留既有任务的解释依据。

以“骨盆模型打印准备”为设计示例：输入包括院内任务标识、已核对的目标部位、模型用途、模型版本及目标设备配置；输出包括选定结构清单、坐标与单位、网格核验结果、摆放可行性和切片候选。完整解剖模型放不下时，先判断允许的摆放方式和制造余量；分件或缩放属于改变交付方案，应按既定用途和授权规则处理。不能为了装入打印空间而默认缩小需要保持真实尺度的模型。

每次执行记录采用唯一任务标识，绑定源数据引用、输入与产物摘要、程序及配置版本、步骤状态、工具调用、观察时间和审核依据。原始数据、失败候选与修订结果分别保存。用户补充“只处理左侧”或更换设备时，将补充绑定当前任务，并重新检查受影响步骤；目标不明确时保留待确认项。

打印提交是会产生实体动作的调用。提交前先持久化执行意图和唯一请求标识；回执不明时，查询已存在的设备作业并核对文件与任务关系。超时表示结果未知，不能直接解释为未执行。去重记录可以降低重复下发风险；若设备协议不能提供相应事务或幂等保证，就不能仅凭本地标识承诺严格“恰好一次”执行。

6 从影像到实物的验证与闭环

建议将任务过程分为影像与需求核对、算法处理、数字模型核验、审核、切片与制造准备、设备执行、实物检查和业务结案。各阶段建立自己的完成条件。医学3D打印指南强调从影像、分割和模型处理到制造及检查的全过程质量管理，并建议将模型轮廓与源影像核对^[5]。本文据此设计分层证据，具体阈值仍需按部位、用途和测量方法预先确定。

数字模型核验同时关注几何与语义。网格闭合、无自交或可以切片，只能回答制造相关问题；目标骨块是否遗漏、左右侧是否正确、骨折间隙是否保留、平滑是否改变关键结构，需要对照源影像和对象清单。复位候选另需保存骨块变换与审核版本，不能与原始骨形态混作同一交付对象。

设备报告完成后，系统应进入待实物检查状态。实物质量由约定的外观、结构完整性和必要量测支持；检查结论再写回对应模型版本、切片版本与设备作业。业务结案还需确认交付记录和任务要求已满足。设备进度达到100%、用户认可外观和临床用途放行分别对应不同证据。

任务恢复从最后一个有证据支持的步骤开始。已经核验且输入未变化的产物可复用；设备空闲、材料、平台状态等易变条件重新读取。对设备忙、文件损坏、标签缺失、回执延迟或服务重启分别形成处置路径。恢复能力的目标是保留正确工作并识别不确定状态，不能以自动重跑所有步骤替代恢复。

7 验证方案：如何判断六项能力是否产生净收益

本框架尚待前瞻性验证。建议先在模拟设备和获准使用的样例上确定失败分类与记录方法，再进入限定的真实设备任务。正式比较前固定纳入标准、任务终点、关键结构容差、允许人工审核、救援介入定义和统计方案；样本量依据预试验与目标估计精度制定，不先写一个缺乏依据的成功率目标。

对照至少包括不调用语言模型的固定流程、采用基本提示及相同工具的本地模型、加入六项能力的完整系统。前两项分别用于判断固定自动化与模型调度的贡献；完整系统改善后，可进一步分别移除结构化技能、RAG或持久恢复机制，观察收益来自哪一部分。各条件使用相同输入、工具版本和资源约束，保留配置记录。

开发集用于构建技能，留出集用于检验未见任务。涉及病例时按患者分组，不能把同一患者的切片或不同导出版本分到两组。重复运行用于评价一致性，统计时仍按任务或患者聚类。τ-bench将任务结束状态和多次执行一致性纳入评价，为这种设计提供参考^[4]；其公开基准数值不迁移为本项目成绩。

主要终点可设为“按预定审核规则完成合格交付且无计划外救援介入”的任务比例，同时单列无人介入完成情况。规定的工程师或医生审核属于工作流组成，临时改代码、手工修复接口或由GPT代操作则计入救援。分母包含所有纳入任务，并报告失败、超时、取消及未完成原因，不能只汇总成功样件。

数字模型与实物由未参与候选生成的评价者按预定标准核对，条件允许时隐藏处理方式。评价除任务成功外，还覆盖模型遗漏、错误部位或版本、重复下发、错误完成报告、人工有效处理时间、恢复成功率和交付证据完整性。推理、切片、人员等待与制造时间分开记录，避免把设备等待误作人工节约。

故障注入先在隔离测试环境开展：构造缺失标签、冲突规范、非法参数、设备忙、提交后断连、迟到回执和服务重启，观察是否进入正确状态及能否恢复。完全离线测试需要独立执行，不能由正常联网下的成功结果推断。若后续研究涉及临床决策与患者实际使用，需另行设计相应用途的评价；DECIDE-AI对早期临床AI评价中性能、使用环境与人因的报告提供参考^[6]，不等于本工程框架已获得临床验证。

8 实施路径与组织分工

实施首先盘点现有工具和业务记录，确认哪些能力已可调用、哪些依赖人工操作、哪些仍是候选。选定一种已有成功经验的业务类型，将输入、产物、配置和完成标准绑定为一个可追溯任务；随后验证异常恢复和离线运行。扩展到骨盆、双下肢或其他部位时，复用任务与设备基础能力，同时单独验证新算法的适用范围、对象语义和质量要求。

管理者负责目标、用途边界、资源取舍和验收要求；研发人员与AI协作完成接口、技能、任务编排及测试；工程师处理设备准备、模型复核和实物检查；涉及临床解释与使用判断时由相应专业人员承担责任。角色划分应落实为可执行的权限与任务记录，不能只写在提示词里。

每轮交付提供具体版本、运行证据、失败项和未覆盖条件。达到约定验证强度后再扩大适用范围；发现错误则定位到模型选择、参数、知识、接口或状态处理等具体环节。这样可以把“本地模型不够聪明”的笼统感受，转化为可修复、可比较的工程问题。

9 讨论与局限

该框架的预期价值，是使专业人员通过少量业务输入调用已有能力，并让研发中形成的经验跨人员、跨任务复用。它也引入新的成本：技能和知识可能过期，接口可能变化，任务记录可能错误关联，验证与审核可能增加工作量。因此，需要同时观察正确性、覆盖范围与团队总投入，不能以模块数量、提示长度或对话流畅度代表系统成熟度。

本研究源于单一企业的研发需求，文献检索有限，内部材料的外部可复核性受公开范围限制；未进行受控比较、独立多中心复现或临床效果研究。现有样件验收记录说明特定任务获得了用户确认，缺少量测数据和完整自主归因，不能推导总体成功率。本文的六项能力、契约字段和评估方案均有待后续实现及验证。

算法分割质量、调度可靠性、制造质量和临床价值是不同评价对象。一个层面改进不能自动证明其他层面改进；已有产品或软件的注册范围，也不能自动覆盖新增智能调度、复位或设备控制功能。后续公开成果应分别报告软件工程结果、制造验证和适用场景，避免把研发可行性表述为已完成的临床能力。

10 结论

面向院内医疗3D打印，本地智能体需要把目标理解、知识检索、专业算法、确定性程序与设备反馈组织成同一可追溯任务。提示词工程、参数配置、技能封装、RAG、工具调用和流程编排，可以作为建设这一能力的六个协同维度。

GPT辅助研发形成的知识与修复，只有经过工具绑定、版本管理和独立任务验证，才可能转化为院内SI的稳定执行能力。该目标的评价依据是正确交付、异常可恢复及证据可核查；本文提出了实现和验证路径，其效果仍需后续实证研究回答。

作者、AI辅助、资料与利益关系说明

作者署名：瑜秀曈芯。应用场景与方法倡议来自子殷科技。本文为官网方法框架文章，未经学术期刊同行评审；存在产品开发方对自身研发方向进行分析的利益关系。

AI辅助说明：ChatGPT参与讨论整理、公开文献核对、资料分析、文章组织与网站排版。本文未声称获得独立专家评审、伦理批准或临床试验结果。内部验收记录仅用于限定背景描述；本次写作未新增患者数据处理、设备打印或生产系统功能变更。

材料说明：架构图与表格均为本文提出的方法示意，不是实验数据；全文和所列公开参考资料可供阅读，内部原始记录不随文公开。后续实现、验证与更正应保留各自发生日期，不回写为本文发表时已经具备的结果。