AI生物技术情报简报实战：用LLM分析EGFR耐药文献全流程

Show HN 项目实战：用 Lumaris 构建 AI 生物技术情报简报，以 EGFR 耐药为例

如果你关注过生物医药领域的热点，大概会感受到一种信息过载：关于 EGFR 突变、靶向药耐药机制、联合治疗方案的研究论文每天都在更新，传统的“人工读文献 + 整理 PPT”模式已经很难跟上节奏。最近看到 Lumaris 这类 AI biotech intelligence briefs 工具，思路很直接：让 LLM 自动完成“文献检索 → 关键信息抽取 → 结构化简报生成”的流程。本文将以 EGFR resistance 为例，完整拆解一个类似 Lumaris 的最小可运行系统，包含数据采集、大模型提示词设计、简报生成与部署思路，适合对 AI 工程化和生物信息感兴趣的同学参考。

1. 为什么需要 AI 生物技术情报简报

1.1 生物技术情报的典型痛点

在非小细胞肺癌（NSCLC）的靶向治疗研究中，EGFR 是一个高频出现的靶点。医生和研究者经常需要回答这类问题：

• 患者使用一代 TKI 后出现耐药，可能产生了哪些新突变？
• T790M 与 C797S 突变在耐药机制中分别起什么作用？
• 三代 TKI 耐药的旁路激活信号有哪些？
• 最新的临床试验和基础研究得出了什么结论？

这些问题分散在 PubMed、期刊官网、会议摘要和预印本中。人工检索往往要消耗数小时甚至数天，而且很容易漏掉关键文献。更麻烦的是，生物医学文献的表述高度专业化，一句话里可能同时包含基因、突变位点、药物、入组人数和统计学显著性，非结构化文本很难被团队高效复用。

1.2 Lumaris 的解决方案

Lumaris 这类 AI 生物技术情报工具，核心思路是把“人读文献”变成“机器读文献 + 大模型提炼 + 人审核”。它能做到：

• 自动检索与某靶点（如 EGFR）相关的最近文献；
• 抽取文献中的关键实体（基因、突变、药物、机制）；
• 汇总耐药机制的共识与争议；
• 生成一份结构化的 intelligence brief（情报简报），供研究者快速决策。

相比传统的人工调研，AI 简报最大的价值是“速度”和“覆盖率”。一篇文献从公开发表到进入简报，可以缩短到分钟级。当然，AI 不能完全替代专家判断，所以它在工程上更像是“辅助决策系统”，而不是“自动科研系统”。

1.3 本文要做的事情

本文不讨论复杂的前沿算法，而是从工程角度实现一个类似 Lumaris 的简化版本：

科技文献检索（PubMed） → 文本清洗 → LLM 结构化抽取 → Markdown 简报生成

示例聚焦 EGFR 耐药机制，通过真实可运行的代码展示完整流程。你可以把同样的流程迁移到其他基因靶点，比如 KRAS、ALK、MET、HER2 等。

2. 系统整体架构设计

在开始写代码之前，先想清楚整个系统由哪几部分组成。这里参考现代 AI 应用开发的常见分层方式，把任务拆成 4 个模块。

实际项目中，还可以增加数据库存储、任务调度、用户反馈、模型评测等模块。本文以最小可运行系统为目标，所以重点放在核心链路上：

PubMed esearch（关键词检索） → efetch（获取摘要） → LLM（结构化抽取） → 简报渲染

2.1 模块间如何协作

整个流程可以理解为一条管道（Pipeline）。第一步先向 PubMed 发起检索请求，拿回 PMID 列表；第二步根据 PMID 获取文献标题、摘要、期刊信息和发表时间；第三步把字段拼接成适合 LLM 阅读的文本；第四步由 LLM 按照预设的 JSON 结构输出“突变位点”“耐药机制”“药物名称”“证据强度”等字段；第五步汇总多篇文献结果，生成一份完整的 Markdown 简报。

这里有一个容易被忽略的设计点：不要把全部文献摘要一次性塞给 LLM。上下文窗口有限，而且不同文献之间可能存在重复内容。合理的做法是先对文献做粗筛，再分批抽取，最后合并去重。

2.2 为什么选 EGFR 耐药作为示例

EGFR 靶点研究非常成熟，文献量充足，耐药机制链条清晰，很适合作为演示对象。从生物学角度看，EGFR 耐药相关机制包括：

• 继发性突变：T790M、C797S、G719X 等；
• 旁路通路激活：MET 扩增、HER2 扩增、PIK3CA 突变；
• 下游信号异常：KRAS/NRAS 突变、BRAF 突变；
• 组织学转化：小细胞肺癌转化、上皮间质转化（EMT）。

这些概念在公开文献中都有明确证据，方便我们验证 LLM 抽取结果的正确性。

3. 环境准备与依赖说明

3.1 运行环境

本文代码使用 Python 3，建议在虚拟环境中运行。示例环境如下：

操作系统：Ubuntu 22.04 / macOS 均可 Python：3.9 或 3.10 依赖：requests、beautifulsoup4、lxml、openai、pydantic、jinja2

版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。如果网络环境受限，可以改用国内可达的模型服务或本地部署模型，代码逻辑保持一致。

3.2 安装依赖

mkdir lumaris-demo cd lumaris-demo python3 -m venv venv source venv/bin/activate pip install requests beautifulsoup4 lxml openai pydantic jinja2 python-dotenv

如果你的项目中还计划使用 Spring AI 做 Java 版实现，也可以在 Maven 中引入相关依赖。不过本文以 Python 为示例语言，因为数据处理和脚本化操作更灵活。

3.3 设置环境变量

在项目根目录创建.env文件：

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx OPENAI_BASE_URL=https://api.openai.com/v1 OPENAI_MODEL=gpt-4o-mini

如果你使用的是国内大模型服务或本地 vLLM，只需修改OPENAI_BASE_URL和OPENAI_MODEL即可。注意不要在代码中将 API Key 硬编码提交到 Git 仓库。

4. 数据采集层：从 PubMed 获取 EGFR 耐药文献

4.1 了解 NCBI E-utilities

NCBI E-utilities 是 PubMed 官方提供的 HTTP 接口，主要包含以下几个常用工具：

• esearch：根据关键词返回 PMID 列表；
• efetch：根据 PMID 返回文献详情（XML 或文本格式）；
• esummary：返回文献摘要信息；
• elink：查询文献之间的引用关系。

对于我们的场景，只需要用到esearch和efetch。需要注意的是，E-utilities 要求 API 请求频率不能太高，默认无 API Key 时每秒最多 3 次请求。在代码中应加入time.sleep或使用退避策略。

4.2 实现文献检索函数

新建pubmed_client.py，实现一个简单的 PubMed 客户端：

# 文件路径：lumaris-demo/pubmed_client.py import time import requests from typing import List BASE_URL = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/" class PubMedClient: def __init__(self, api_key: str = None, sleep_time: float = 0.34): self.api_key = api_key self.sleep_time = sleep_time def search(self, query: str, retmax: int = 20) -> List[str]: """根据关键词检索文献，返回 PMID 列表""" params = { "db": "pubmed", "term": query, "retmode": "json", "retmax": retmax, "sort": "date", } if self.api_key: params["api_key"] = self.api_key resp = requests.get(BASE_URL + "esearch.fcgi", params=params, timeout=30) resp.raise_for_status() data = resp.json() id_list = data.get("esearchresult", {}).get("idlist", []) time.sleep(self.sleep_time) return id_list def fetch_summaries(self, pmid_list: List[str]) -> List[dict]: """根据 PMID 获取文献摘要信息""" if not pmid_list: return [] ids = ",".join(pmid_list) params = { "db": "pubmed", "id": ids, "retmode": "xml", } if self.api_key: params["api_key"] = self.api_key resp = requests.get(BASE_URL + "efetch.fcgi", params=params, timeout=30) resp.raise_for_status() xml_text = resp.text articles = self._parse_xml(xml_text) time.sleep(self.sleep_time) return articles def _parse_xml(self, xml_text: str) -> List[dict]: """解析 PubMed XML，提取标题、摘要、期刊、日期等信息""" from bs4 import BeautifulSoup soup = BeautifulSoup(xml_text, "xml") results = [] for article in soup.find_all("PubmedArticle"): pmid_tag = article.find("PMID") pmid = pmid_tag.get_text() if pmid_tag else "" title_tag = article.find("ArticleTitle") title = title_tag.get_text() if title_tag else "" abstract_tag = article.find("AbstractText") abstract = "" if abstract_tag: # 有些摘要包含多个 AbstractText 子节点，需要拼接 parts = [] for child in abstract_tag.find_all("AbstractText"): parts.append(child.get_text()) if not parts: parts.append(abstract_tag.get_text()) abstract = "\n".join(parts) journal_tag = article.find("Journal") journal = "" if journal_tag: title_tag_j = journal_tag.find("Title") journal = title_tag_j.get_text() if title_tag_j else "" pub_date_tag = article.find("PubDate") pub_date = pub_date_tag.get_text() if pub_date_tag else "" results.append({ "pmid": pmid, "title": title, "abstract": abstract, "journal": journal, "pub_date": pub_date, }) return results

关键点说明：

• sleep_time默认 0.34 秒，是为了满足 NCBI 的速率限制；
• 摘要解析时要注意，AbstractText可能出现在节点的不同层级，所以需要遍历所有子节点拼接；
• 如果在本地环境无法访问 PubMed，可以把示例数据保存为静态 JSON，后续步骤不受影响。

4.3 检索 EGFR 耐药相关文献

新建fetch_data.py，调用 PubMed 客户端：

# 文件路径：lumaris-demo/fetch_data.py from pubmed_client import PubMedClient def main(): client = PubMedClient() query = '(EGFR[Title/Abstract]) AND (resistance[Title/Abstract]) AND (T790M OR C797S OR osimertinib)' pmid_list = client.search(query, retmax=10) print("检索到 PMID 数量:", len(pmid_list)) print(pmid_list) articles = client.fetch_summaries(pmid_list) print("获取文献数量:", len(articles)) import json with open("raw_articles.json", "w", encoding="utf-8") as f: json.dump(articles, f, ensure_ascii=False, indent=2) for art in articles[:3]: print("-" * 60) print(art["title"]) print(art["pub_date"], art["journal"]) if __name__ == "__main__": main()

运行：

python fetch_data.py

预期输出会显示 PubMed 返回的文献标题列表，并生成raw_articles.json文件。

5. 情报抽取层：让 LLM 输出结构化耐药信息

5.1 提示词设计

文献摘要属于非结构化文本。要让大模型输出“突变位点、耐药机制、药物、证据强度”等字段，最可靠的方式是要求模型输出 JSON，并用 Pydantic 做数据校验。

这里提供一份面向生物医学场景的提示词模板。注意提示词要强调“只依据输入文献输出”，避免模型脑补额外知识：

你是一位专注于肿瘤靶向治疗耐药机制的研究助理。 请阅读下列 PubMed 文献摘要，提取与 EGFR 耐药相关的关键信息。 要求： 1. 只基于输入文本，不要补充外部知识。 2. 如果某字段在原文中没有提及，设为 null 或空列表。 3. 输出 JSON，不要输出多余解释。 JSON 结构如下： { "mutation": [ { "gene": "EGFR", "variant": "T790M", "drug_resistance": ["吉非替尼", "厄洛替尼"], "evidence": "原文中的支持性描述" } ], "mechanism": [ { "type": "secondary_mutation / bypass_activation / downstream_activation / histologic_transformation", "description": "机制描述", "related_molecules": ["MET", "HGF"] } ], "drug_mentions": [ {"drug_name": "奥希替尼", "context": "原文中的治疗场景"} ], "conclusion": "一句话总结该文献的核心发现", "evidence_level": "high / medium / low" }

设计提示词的几个原则：

• 角色设定：明确告诉模型它是“研究助理”，这能显著提高输出规范程度；
• 结构化约束：给出 JSON 结构示例，比口头描述更有效；
• 证据溯源：要求模型输出evidence字段，便于人工审核；
• 证据等级：让模型自行评估“high/medium/low”，可以提醒结果的不确定性。

5.2 抽取器实现

新建extractor.py：

# 文件路径：lumaris-demo/extractor.py import json import os from typing import List from openai import OpenAI from dotenv import load_dotenv load_dotenv() SYSTEM_PROMPT = """你是一位专注于肿瘤靶向治疗耐药机制的研究助理。请阅读下列 PubMed 文献摘要，提取与 EGFR 耐药相关的关键信息。要求只基于输入文本，不要补充外部知识。如果某字段在原文中没有提及，设为 null 或空列表。输出 JSON，不要输出多余解释。""" EXTRACTION_SCHEMA = """ JSON 结构如下： { "mutation": [ { "gene": "EGFR", "variant": "T790M", "drug_resistance": ["吉非替尼", "厄洛替尼"], "evidence": "原文中的支持性描述" } ], "mechanism": [ { "type": "secondary_mutation / bypass_activation / downstream_activation / histologic_transformation", "description": "机制描述", "related_molecules": ["MET", "HGF"] } ], "drug_mentions": [ {"drug_name": "奥希替尼", "context": "原文中的治疗场景"} ], "conclusion": "一句话总结该文献的核心发现", "evidence_level": "high / medium / low" } """ class LiteratureExtractor: def __init__(self): self.client = OpenAI( api_key=os.getenv("OPENAI_API_KEY"), base_url=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1"), ) self.model = os.getenv("OPENAI_MODEL", "gpt-4o-mini") def extract(self, article: dict) -> dict: user_prompt = self._build_user_prompt(article) resp = self.client.chat.completions.create( model=self.model, messages=[ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": user_prompt}, ], temperature=0.1, response_format={"type": "json_object"}, ) content = resp.choices[0].message.content return json.loads(content) def _build_user_prompt(self, article: dict) -> str: text = f""" 标题：{article['title']} 期刊：{article['journal']} 发表日期：{article['pub_date']} 摘要： {article['abstract']} EXTRACTION_SCHEMA: {EXTRACTION_SCHEMA} """ return text

如果当前模型不支持response_format参数，可以去掉该参数，并在系统提示词中强调“只输出 JSON”。

5.3 批量抽取与容错

批量处理时，不能因为一篇文章解析失败就中断整个流程。建议加 try-except 和超时重试逻辑：

# 文件路径：lumaris-demo/run_extract.py import json import time from extractor import LiteratureExtractor def load_articles(path="raw_articles.json"): with open(path, "r", encoding="utf-8") as f: return json.load(f) def main(): articles = load_articles() extractor = LiteratureExtractor() results = [] for i, article in enumerate(articles): print(f"正在处理 {i + 1}/{len(articles)}：{article['pmid']}") try: parsed = extractor.extract(article) results.append({ "pmid": article["pmid"], "title": article["title"], "parsed": parsed, }) except Exception as e: print(f"处理失败：{e}") results.append({ "pmid": article["pmid"], "title": article["title"], "parsed": None, }) # 避免触发 API 限流 time.sleep(1) with open("extracted_results.json", "w", encoding="utf-8") as f: json.dump(results, f, ensure_ascii=False, indent=2) print("完成，共处理", len(results), "篇文献") if __name__ == "__main__": main()

6. 简报生成层：将结构化结果渲染成 Markdown

6.1 简单拼接 vs 摘要生成

当你有 10 篇文献的抽取结果后，可以有两种简报生成方式：

• 简单拼接：把每篇文献的标题、结论、突变、机制列出来，人工快速浏览；
• LLM 二次总结：把所有抽取结果汇总，让模型生成一份“EGFR 耐药机制全景分析”。

简单拼接信息保真度高，适合小批量；LLM 二次总结节省阅读时间，但可能引入“AI 幻觉”。稳妥的做法是先拼接，再用 LLM 做“去重 + 归纳”，同时保留原文引用。

6.2 使用 Jinja2 渲染 Markdown

新建brief_builder.py：

# 文件路径：lumaris-demo/brief_builder.py import json from jinja2 import Template BRIEF_TEMPLATE = """# EGFR 耐药机制情报简报 **生成时间**：{{ generated_at }} **文献数量**：{{ article_count }} **检索策略**：EGFR[Title/Abstract] AND resistance[Title/Abstract] ## 核心发现 {% for m in summary_mutations %} - **{{ m.variant }}**：出现于 {{ m.count }} 篇文献中，相关药物包括 {{ m.drugs | join('、') }} {% endfor %} ## 主要耐药机制 {% for item in mechanisms %} ### {{ item.type }} - 机制描述：{{ item.description }} - 相关分子：{{ item.molecules | join('、') }} {% endfor %} ## 文献明细 {% for article in articles %} ### {{ article.title }} - PMID：{{ article.pmid }} - 期刊：{{ article.journal }} - 发表日期：{{ article.pub_date }} **结论**：{{ article.parsed.conclusion }} **证据等级**：{{ article.parsed.evidence_level }} {% if article.parsed.mutation %} **突变位点**： {% for m in article.parsed.mutation %} - {{ m.gene }} {{ m.variant }}，耐药药物：{% for d in m.drug_resistance %}{{ d }}{% if not loop.last %}, {% endif %}{% endfor %} {% endfor %} {% endif %} {% if article.parsed.mechanism %} **机制描述**： {% for mech in article.parsed.mechanism %} - {{ mech.description }} {% endfor %} {% endif %} --- {% endfor %} """ def build_brief(results: list, generated_at: str) -> str: template = Template(BRIEF_TEMPLATE) mutation_counter = {} mechanisms = [] for item in results: parsed = item.get("parsed") if not parsed: continue for m in parsed.get("mutation", []): variant = m.get("variant", "unknown") if variant not in mutation_counter: mutation_counter[variant] = { "variant": variant, "count": 0, "drugs": set(), } mutation_counter[variant]["count"] += 1 for drug in m.get("drug_resistance", []): mutation_counter[variant]["drugs"].add(drug) for mech in parsed.get("mechanism", []): mechanisms.append({ "type": mech.get("type", "unknown"), "description": mech.get("description", ""), "molecules": mech.get("related_molecules", []), }) # 转成列表并排序 summary_mutations = sorted( mutation_counter.values(), key=lambda x: x["count"], reverse=True ) for m in summary_mutations: m["drugs"] = sorted(m["drugs"]) return template.render( generated_at=generated_at, article_count=len(results), summary_mutations=summary_mutations, mechanisms=mechanisms, articles=results, ) def main(): with open("extracted_results.json", "r", encoding="utf-8") as f: results = json.load(f) from datetime import datetime now_str = datetime.now().strftime("%Y-%m-%d %H:%M:%S") markdown_content = build_brief(results, now_str) with open("EGFR_resistance_brief.md", "w", encoding="utf-8") as f: f.write(markdown_content) print("简报已生成：EGFR_resistance_brief.md") if __name__ == "__main__": main()

运行：

python run_extract.py python brief_builder.py

生成出的 Markdown 文件可以直接在 Typora、VSCode 或 CSDN 编辑器中预览。

6.3 扩展：LLM 二次摘要

如果希望简报更精炼，可以在生成 Markdown 前，用 LLM 对所有结论做二次汇总。这里给出一个可行的调用片段：

def generate_overview(client, all_conclusions: list[str]) -> str: prompt = "请对以下文献结论进行同主题合并，输出不超过 300 字的 EGFR 耐药机制概述：\n" for i, c in enumerate(all_conclusions, 1): prompt += f"{i}. {c}\n" resp = client.chat.completions.create( model=os.getenv("OPENAI_MODEL", "gpt-4o-mini"), messages=[ {"role": "system", "content": "你是生物医药领域的高级研究助理，输出保持客观、简洁。"}, {"role": "user", "content": prompt}, ], temperature=0.2, ) return resp.choices[0].message.content

注意，汇总前最好先过滤低质量结论，避免模型被误导。

7. 完整实战：一键运行整个 Pipeline

7.1 串联脚本

为了减少手动执行步骤，可以写一个pipeline.py：

# 文件路径：lumaris-demo/pipeline.py import json import time from datetime import datetime from pubmed_client import PubMedClient from extractor import LiteratureExtractor from brief_builder import build_brief def run(query: str, retmax: int = 8): print("[1/4] 检索文献...") client = PubMedClient() pmid_list = client.search(query, retmax=retmax) articles = client.fetch_summaries(pmid_list) with open("raw_articles.json", "w", encoding="utf-8") as f: json.dump(articles, f, ensure_ascii=False, indent=2) print("[2/4] 大模型抽取...") extractor = LiteratureExtractor() results = [] for i, article in enumerate(articles): print(f" 处理 {i + 1}/{len(articles)}: {article['pmid']}") try: parsed = extractor.extract(article) except Exception as e: print(f" 失败: {e}") parsed = None results.append({ "pmid": article["pmid"], "title": article["title"], "journal": article["journal"], "pub_date": article["pub_date"], "parsed": parsed, }) time.sleep(1) with open("extracted_results.json", "w", encoding="utf-8") as f: json.dump(results, f, ensure_ascii=False, indent=2) print("[3/4] 生成简报...") now_str = datetime.now().strftime("%Y-%m-%d %H:%M:%S") md_content = build_brief(results, now_str) with open("EGFR_resistance_brief.md", "w", encoding="utf-8") as f: f.write(md_content) print("[4/4] 完成！请查看 EGFR_resistance_brief.md") if __name__ == "__main__": query = "(EGFR[Title/Abstract]) AND (resistance[Title/Abstract]) AND (T790M OR C797S OR osimertinib)" run(query, retmax=8)

7.2 运行结果预期

跑完整个流程后，你会得到三个文件：

• raw_articles.json：从 PubMed 下载的原始文献数据；
• extracted_results.json：LLM 抽取后的结构化数据；
• EGFR_resistance_brief.md：人类可读的 Markdown 简报。

如果某些字段为空，不要急着认为是代码问题。先检查原文摘要中是否真的包含该信息。很多文献的摘要只提到部分耐药机制，不可能每篇都覆盖全部字段。

8. 常见问题与排查思路

8.1 PubMed 请求失败或超时

8.2 LLM 返回非 JSON 格式

即使设置了response_format，某些模型仍可能输出 Markdown 代码块包裹的 JSON。稳妥做法是解析前做一次清理：

import re import json def extract_json(text: str) -> dict: # 去掉代码块标记 text = re.sub(r"```json|```", "", text).strip() return json.loads(text)

8.3 摘要太长导致上下文超出限制

有部分文献摘要超过 1000 词，再加上提示词和 JSON 结构示例，很容易超过小型模型的上下文窗口。解决办法是截断摘要：

def truncate_abstract(abstract: str, max_chars: int = 1500) -> str: if len(abstract) <= max_chars: return abstract return abstract[:max_chars] + "...[truncated]"

需要说明的是，截断会丢失信息，建议优先选择上下文更长的模型。

8.4 结果中频繁出现“T790M”但没有“C797S”

这不一定意味着 LLM 抽取错误，更可能是检索到的文献本身以 T790M 研究为主。可以通过调整 PubMed 查询关键字来补充 C797S 相关内容。

8.5 AI 幻觉问题

LLM 在总结时可能输出原文中不存在的结论。目前最有效的缓解手段是：

• 要求模型在抽取阶段输出evidence字段；
• 在二次总结阶段明确禁止补充外部知识；
• 增加人工复核环节；
• 对模型输出做事实性评估。

9. 工程化与部署建议

9.1 从脚本到服务

当 Lumaris 从本地脚本升级为团队工具时，需要考虑以下改造：

• 数据库存储：使用 PostgreSQL 或 SQLite 保存原始文献、抽取结果和简报版本；
• 任务调度：通过 Celery 或 APScheduler 定时拉取最新文献，增量更新简报；
• 模型路由：根据任务复杂度选择不同模型，简单抽取用轻量模型，汇总总结用强模型；
• 权限管理：如果系统面向多人使用，需要做用户与角色隔离，生物医药数据尤其要注意合规性。

9.2 数据源可靠性

PubMed 不是唯一的数据源。实际场景中还可以引入：

• ClinicalTrials.gov：临床试验信息；
• 期刊官网 RSS；
• bioRxiv / medRxiv 预印本；
• 专利数据库（需要额外授权）。

不同数据源的字段结构差异较大，建议在数据采集层做统一 schema，避免下游解析逻辑越来越混乱。

9.3 安全与合规要求

生物技术情报系统涉及科研数据，必须注意：

• 最小权限原则：数据库账号只授予必要权限，避免使用 root 连接应用；
• API Key 管理：密钥统一存放到环境变量或密钥管理服务，不要写入代码和日志；
• 结果审核：AI 生成的简报不能直接作为临床决策依据，应在页面显著位置标注“AI 生成内容，需人工审核”；
• 数据合规：如果涉及患者数据或受控数据，需要评估隐私合规要求，必要时进行脱敏处理。

9.4 模型评测与迭代

很多人忽略模型评测的重要性。推荐的做法是建立一个小型“金标准”数据集，例如 30 篇人工标注的 EGFR 耐药文献，每篇包含正确的突变列表和机制类型。每次修改提示词后，用这个数据集跑一遍，比较精确率和召回率，再决定是否上线。这样可以防止“改了个 prompt，结果变差了”的尴尬。

9.5 前后端展示

如果你希望把 Lumaris 做成网页应用，建议前端使用 Vue 或 React，后端提供 REST API。一个简单的后端接口设计如下：

这样团队内的研究者可以通过浏览器查看报告，而不是每个人都在命令行里跑脚本。

10. 总结与学习路线

回到开头的问题：Lumaris 这类 AI 生物技术情报简报工具，本质上是“信息检索 + 大模型结构化抽取 + 知识渲染”的工程组合。本文实现的最小版本已经具备三个核心能力：

• 通过 PubMed API 自动检索并获取文献摘要；
• 通过提示词工程让 LLM 输出包含突变位点、耐药机制、药物信息的结构化 JSON；
• 通过 Jinja2 模板生成人类可读的 Markdown 情报简报。

下一步，如果你想继续深入，建议从以下方向中选择：

• 研究更多大模型在生物医学领域的提示词技巧，例如加入少样本示例、引入思维链验证；
• 学习Pydantic数据校验，用类型安全的模型类替代裸字典；
• 尝试用vLLM或ollama部署开源模型，降低 API 成本和数据外泄风险；
• 了解 RAG（检索增强生成），把整个 PubMed 子集向量化，实现“基于私有文献库的问答”；
• 关注 LLM 评测工具，比如构建针对 EGFR 突变抽取的自动化评测集，持续观察模型效果。

AI 幻觉和数据可靠性仍然是这个方向最需要警惕的风险。无论系统做得多么自动化，都不要删除人工审核这一步。生物医药研究容错率很低，一份错误的简报可能浪费一个团队数周的实验时间。

如果你在实践过程中遇到了 PubMed 解析异常、模型输出不稳定或者模板渲染问题，欢迎在评论区讨论。先跑通最小闭环，再逐步完善，这是最稳妥的路径。