医疗编程AI技能树与培训技能树报告（国内外一流大学医疗AI相关专业分析2025版，上）

优质文章学习记录

— 1 min read
医疗编程AI技能树与培训技能树报告（国内外一流大学医疗AI相关专业分析2025版，上）
在这里插入图片描述
在这里插入图片描述

引言：医疗AI编程的时代背景与技能体系框架

全球医疗AI市场正以爆发式速度增长，预计2025年市场规模将达到1100亿美元，年复合增长率（CAGR）高达38%[1]。这一增长背后是AI技术在临床场景的深度渗透：AI辅助肺结节检测敏感度已突破95%，某知名医院利用大型语言模型（LLM）开发的智能诊断系统将误诊率降低15%，瑞金医院通过AI技术使病理诊断效率提升百倍[2][3][4]。当手术机

Read more

AI小白必看！Agent和Token的区别，看完再也不被忽悠（附代码+架构图）

最近逛ZEEKLOG、GitHub，发现很多AI学习者、开发者都在被两个词搞懵——Agent和Token。 有人把Agent当成“高级Token”，有人以为Token是Agent的“子模块”，甚至在面试、技术交流时闹出过笑话；更有不少新手因为分不清两者，在使用LLM、开发AI应用时踩坑（比如误把Token计数当成Agent能力，盲目追求高Token模型）。 其实一句话就能点透：Token是AI的“文字原子”，Agent是AI的“智能打工人”，两者不在一个维度，却又深度绑定。今天就用最通俗的语言、最直观的代码+架构图，把两者的区别、关系讲透，新手也能一看就懂，收藏这篇，再也不用被忽悠！ （文末附避坑指南+架构图源码，建议收藏后慢慢看） 一、先上核心对比：一张表分清Agent和Token 很多人分不清两者，本质是没抓住“层级”和“功能”的核心差异。先看这张对比表，直接戳破关键： 对比维度Token（令牌/词元）Agent（智能体）
从 ReAct 到 Plan-and-Execute：AI Agent 推理架构的理解与选择

从 ReAct 到 Plan-and-Execute：AI Agent 推理架构的理解与选择

最近在做一个企业办公 Agent 项目，过程中花了不少时间研究 Agent 的推理架构该怎么选。市面上最主流的两种模式——ReAct 和 Plan-and-Execute——看起来都能用，但深入了解后我发现它们的设计哲学完全不同，适用场景也差异很大。 一、先说一个最基本的问题：Agent 为什么需要"推理"？ LLM 本身就能回答问题，为什么还要给它加推理框架？ 因为 LLM 只会"说"，不会"做"。当用户说"帮我创建一个明天截止的任务"，LLM 可以生成一段漂亮的文字描述应该怎么做，但它没有手去操作数据库。Tool（或者叫 Skill）就是给 LLM 装上了手脚——它可以调用接口、查询数据、执行操作。 但问题来了：
2026年医疗AI的可信革命全栈实现（下）

2026年医疗AI的可信革命全栈实现（下）

9.3 向量索引构建示例 文档进入向量库前，应先清洗、切分、打标签、嵌入，再写入索引。以下示例展示一种最简流程，真实环境中可替换为Milvus或Qdrant SDK。 代码清单 9-2 文档切分与索引写入 from dataclasses import dataclass from typing import Iterable import hashlib @dataclass class Chunk:     chunk_id: str     text: str     metadata: dict def chunk_document(doc_id: str, title: str, text: str, source_type: str) ->