Projects |

Health Nexus 健康宣教系统

Tue, 18 Aug 2026 00:00:00 +0000

AI 驱动的智能健康宣教平台，为患者提供 7×24 小时个性化健康指导，为医护减轻重复性宣教负荷。基于 RAG（检索增强生成）技术，结合科室专业知识库，实现来源可追溯、零医疗幻觉的健康问答。

解决的临床痛点

宣教方式原始，内容更新困难：临床宣教多依赖口头讲解和纸质折页。口头宣教受限于护士时间、难以留存；纸质版一次印刷难以调整，指南更新或科室流程变动时，患者手上的资料往往早已过时。
信息过载，导致误解或遗忘：口头宣教时，护士往往在短时间内一次性输出大量内容，叠加就诊时的焦虑情绪，患者极易出现信息过载，陷入"当时听懂、事后忘记、理解偏差"的困境，实际依从性大打折扣。
通用 AI 的幻觉与"水土不服"：越来越多患者转向 ChatGPT、豆包等通用 AI 询问，却深受大模型幻觉困扰；即便结果合理，也常与本院术式、用药、科室流程不符，缺乏针对性与权威背书，甚至误导患者。

项目优势

不受时空限制：患者住院期间、出院后康复期均可随时查阅，把"护士讲一次"变成"随时随地可回看、可追问"。
内容 100% 遵守本地知识库：回答仅基于科室审核过的宣教知识库，杜绝通用大模型幻觉，从源头保证信息与本院诊疗方案一致。
宣教内容可低成本升级维护：护士在后台即可完成知识库更新与版本管理，指南变更、科室流程调整可即时生效，患者端永远读到最新内容。
回答可追溯、有据可查：每个回答附知识来源出处，兼顾专业严谨与医疗合规。
通俗化、个性化输出：针对不同认知水平的患者，把晦涩医学术语转化为通俗表达，并依据病情给出针对性的康复指导，弥补传统"一对多"广播式宣教无法个性化的不足。
给护士"减负"：把高频、重复、可标准化的宣教交给系统，让护士把有限时间投入更有价值的床边照护。

核心特性

AI 智能问答：基于 RAG 技术，回答可追溯来源、零医疗幻觉
三端分离架构：管理端、医护端、患者端独立工作流
知识库管理：文章全生命周期管理，支持知识切片与向量化
患者健康档案：完整的患者信息管理与体征数据追踪
角色权限控制：基于 RBAC 的细粒度权限管理
运营数据统计：知识覆盖率、需求热力图、用户活跃度分析

系统定位为健康宣教工具，无诊断权、无处方权，仅基于已审核的宣教知识库为患者提供住院期间及出院后康复相关的健康指导。

技术栈

后端 Django 5.2 + Django Ninja，PostgreSQL 16 + pgvector 向量检索，Redis 7 缓存与消息队列，Django Templates + HTMX + Alpine.js 前端，Tailwind CSS + DaisyUI 样式，Django Unfold 管理后台，SiliconFlow（OpenAI 兼容）提供 LLM 与 Embedding。

litkit 论文工具包

Tue, 18 Aug 2026 00:00:00 +0000

litkit 是一个 Go 编写的论文工具包（Go 1.26 / cobra / SQLite），CLI 为唯一接口。面向 AI agent 与命令行用户，覆盖论文写作的完整链路——从跨源检索、规范引用，到手稿排版与 AI 撰写合规门禁。

解决的写作痛点

检索源分散，信息割裂：查找文献要在 arxiv、PubMed、bioRxiv、medRxiv、Semantic Scholar、OpenAlex 之间反复切换，手动去重、手抄元数据，既耗时又容易出错、漏引。
引用格式反复返工：国内期刊普遍要求 GB/T 7714，不同期刊又吃 APA / IEEE，手动编排引用编号与格式是论文投稿前最常见的返工地。
AI 协作的上下文噪声与合规失控：把检索结果整段丢给 AI，上下文既臃肿又昂贵；更危险的是，未经校验的 AI 成稿可能存在虚假引用、格式失范，埋下学术不端与退稿隐患。
文献库与写作脱节：PDF、元数据、笔记零散散落各处，本地文献管理与写作流程割裂，难以复现、难以沉淀。

项目优势

AI-first 降噪：接口默认只返回写作所需最小字段集（citeKey / title / firstAuthor / year / abstract），完整元数据按需取回，从源头压缩上下文噪声、节省 token。
CLI 为唯一接口：全功能命令化，输出 JSON，可被 AI shell 与脚本直接调用、可重复、可审计。
免费优先、开箱即用：全部检索源均为公开开放接口，无任何必需的 API key；加密钥一律走 .env（gitignored），禁止硬编码。
摘要工作流：检索源必须提供摘要，无摘要论文默认过滤，不下载 PDF、不抽取全文——检索轻量、合规、不爬版权内容。
六源并发检索 + 去重：不依赖单一检索源，按「元数据骨干 + 学科源」组合，一次给出全局结果。
统一规范引用：一键导出 BibTeX / RIS / 文本，支持 GB/T 7714—2025 / APA / IEEE 三种期刊样式。
手稿排版自动化：解析 [@citeKey] 占位符自动转为引用编号，--preview 输出自描述标记便于人工核查。
撰写合规门禁（19 条规则）：机械化验证结构 / 数据 / 标点 / 引用 / 字数 / 行文，把 AI 生成内容挡在不合规的门外；可选的 LLM 引用相关性评分进一步把关。
AI 痕迹审查与温润去除：识别并平滑文中的 AI 腔与机械痕迹，在不改变论文事实与数据的前提下，让文本更像人的自然写作，降低投稿时的查重与 AI 检测风险。
全文获取有兜底策略：Unpaywall 开放获取优先 → Sci-Hub 兜底，PDF 落盘 + 全文缓存，再次取回零网络开销。

安装

三选一即可：

方式	命令
二进制（推荐）	从下载 Windows / Linux / macOS × amd64 / arm64 压缩包，解压后加入 `PATH`
源码构建	`cd app && go build -o litkit ./cmd/litkit`（需 Go ≥ 1.26）

快速上手

$env:LITKIT_WORK_DIR = "$HOME\litkit-workspace" # Linux/macOS 用 export LITKIT_WORK_DIR=...

litkit init --type empirical --lang zh # 1. 初始化（review 综述 | empirical 实证）
litkit search "retrieval augmented generation" -n 3 # 2. 跨源检索（输出 JSON，AI 可直接吞）
litkit metadata doi 10.5555/3295222.3295349 # 3. 元数据反查，入库本地文献库
litkit fetch <citeKey> # 4. 取回全文（Unpaywall OA → Sci-Hub）
litkit manuscript draft.md --lang zh # 5. 手稿排版（[@citeKey] → [1][2]）
litkit manuscript draft.md --preview # 5b. 预览模式，便于人工核查
litkit lint init --type empirical --lang zh # 6. 生成撰写约束门禁
litkit verify chapter1.md --mode draft # 6b. 撰写合规校验
litkit verify chapter1.md --mode draft --report citation-refs # 6c. LLM 引用相关性评分（需开启）

项目原则

AI-first 降噪：接口设计以降低上下文噪声为第一约束。
CLI 唯一接口：全部功能经 CLI 命令完成。
摘要工作流：检索源必须提供摘要，无摘要论文默认过滤；不下载 PDF、不抽取全文。
免费优先：全部源为公开开放接口，无强制 API key；密钥一律走 .env（gitignored），禁止硬编码。
接口同步：新增 CLI 功能同步更新接口文档 api.md。

技术栈

Ostocare 造口护理管理系统

Tue, 18 Aug 2026 00:00:00 +0000

面向医院造口护理科室的移动端信息管理系统（H5）。围绕「患者 → 住院记录 → 维护记录 / 评估 / 照片 / 并发症」的数据层级，覆盖从扫码识别患者到标准化造口拍照、维护记录登记、量表评估、并发症登记的完整临床业务闭环，通过 PAD / 手机 / 电脑浏览器访问。

解决的临床痛点

患者信息割裂、难追溯：造口患者的主档、住院、维护、评估、照片、并发症散落在纸质登记本、Excel 和口头交接里，一旦出现渗漏或并发症，难以按时间线回溯原因、难以追责改进。
高频维护记录耗时易漏：造口更换是最高频的护理操作，传统手写登记 22 项字段又慢又容易漏项，挤占护士宝贵的床边时间，也影响记录完整度。
同名患者与腕带混乱：病房同名、住院号混淆的隐患真实存在，靠肉眼核对难以保证每次操作都落在「对的病人」上。
造口拍照不规范、无时间线：换袋前后缺少标准化参照，照片零散、角度各异，无法直观对比渗漏/皮肤状况随时间的变化，评估与宣教缺乏依据。
量表评估靠手算手记：造口评估、DET 评分、自理能力、OAI-20 社会心理适应量表等多为纸笔填写、人工计分，汇总统计分析费力。
科室术语不统一、数据不可比：造口类型、底盘裁剪方式等表述各人各异，跨护士、跨时间的记录无法横向比较，也难以用于质量管理与科研。

项目优势

完整业务闭环：从「扫码识别患者」到「标准化造口拍照、维护记录、量表评估、并发症登记」一站打通，数据按「患者 → 住院 → 记录」分层沉淀，全程可追溯。
扫码三场景智能分流（P0）：扫腕带即自动识别在院记录直进详情、历史出院记录提供「新建住院/新建患者」、无记录提供「新建/关联已有患者」，并支持手动输入腕带号降级。
高频操作提效：维护记录一次完整登记 ≤ 3 分钟，且自动建议「术后第几次更换」，把最高频场景做到最快。
标准化造口摄影：全屏摄像头 + 十字准星参考框，拍摄 → 预览 → 打标签（更换前 / 更换后 / 异常部位 / 评估记录）→ 上传；按住院维度时间线浏览、缩略图、全屏手势缩放、按标签筛选，渗漏变化一目了然。
量表评估内置：造口评估、DET 评分、自理能力、OAI-20 内置表单，免手算、直接汇总。
字典管理统一术语：21 类字典项是全系统表单下拉的唯一真源，同分类下 label 唯一；有业务数据引用的字典项不可删除、不可改 label，让历史数据始终可比。
权限架构贴合临床：除系统管理员外所有临床角色能力一致（扁平化），系统管理功能仅 admin 可用，兼顾合规与易用。
跨设备随时可用：部署于公共网络，PAD / 手机 / 电脑浏览器即开即用，不受科室地点限制。

核心功能

扫码识别（P0）：三场景智能分流 + 手动输入降级，疑似重复患者查重不阻断
造口信息管理：多维度形态学登记，多造口自动标记当前活动造口
维护记录登记（最高频）：22 字段四区域表单，一次完整登记 ≤ 3 分钟，自动建议更换次数
标准化造口摄影：全屏摄像头 + 十字准星、打标签、时间线浏览、标签筛选
量表评估：造口评估、DET 评分、自理能力、OAI-20 社会心理适应量表
并发症登记：12 种并发症类型共用表单，涵盖发现 / 严重程度 / 处理 / 转归
数据导出：Excel 报表导出中心，服务质量管理与科研统计

系统定位为临床护理记录工具，数据仅用于院内造口护理的质量管理与延续性照护。

技术栈

Vue 3 + TypeScript + Vite + Vant 4（前端）、Go + Gin + GORM（后端）、PostgreSQL 16、JWT 认证，Docker Compose 一键部署，由 Go 后端统一 serve 前端产物（单容器）。