新上线今天0 投票
Flo Health 借助 Amazon Bedrock 规模化医疗内容审核——第二部分
在 Flo Health，每一篇面向用户的内容——无论是应用内故事、文章、新手引导流程还是营销素材——都必须通过严格的医疗准确性审核。然而，传统的人工审核流程让医疗专家平均每篇文章花费 7 个工作日，这成为内容规模化生产的核心瓶颈。
为了突破这一限制，Flo Health 工程团队将 AWS Generative AI Innovation Center 的概念验证（PoC）转化为基于 Amazon Bedrock 的生产级 AI 医疗内容审核与生成系统。该系统实现了审核时间减少 60%，内容吞吐量提升三倍，且无需扩大医疗团队规模。
架构演进：从 PoC 到生产级系统
Flo Health 的工程团队首先对 PoC 架构进行了适配，使其能够无缝对接现有的内容管线。关键改动包括：
- 模块化评审流程：将医疗审核分解为多个独立维度，每个维度由专门的 AI 评审（AI Judge）负责
- 并行处理机制：利用 Amazon Bedrock 的模型调用能力，实现多维度同时审核
- 人工复核环节：保留医疗专家的最终决策权，确保高风险的审核结果由人类确认
专业 AI 评审：多维度的审核体系
团队针对医疗内容的不同方面设计了专门的 AI 评审：
- 事实核查评审：验证关键医学声明是否与权威来源一致
- 引用完整性评审：检查参考文献是否准确、可追溯
- 指南合规评审：确保内容符合 Flo Health 的10点医疗准确性检查清单
- 语言风格评审：评估表述是否清晰、易懂且符合品牌调性
每个 AI 评审都经过精心设计的提示词（prompt）和少量示例（few-shot examples）进行调优，使其在特定维度上达到专业水准。
基于 RAG 的 AI 内容生成
除了审核，系统还集成了 检索增强生成（RAG） 能力，辅助医疗团队生成初稿。RAG 架构通过以下方式确保内容质量：
- 知识库构建：将经过验证的医学资料、内部指南和已批准内容向量化存储
- 上下文检索：在生成时自动检索最相关的知识片段，作为模型生成的依据
- 引用溯源：生成的每一条医学声明都附带来源引用，便于专家快速核实
这一机制让医疗专家从零开始撰写初稿变为审阅和微调 AI 生成的草稿，大幅缩短了创作周期。
提示工程与生产部署的经验教训
Flo Health 团队在部署过程中总结了几点关键经验：
- 提示词迭代：初始提示词过于宽泛，导致 AI 评审出现误判。通过不断细化指令、增加约束条件和反面示例，最终实现高一致性
- 温度参数调整：对于事实核查任务，使用较低的温度（如0.1）以减少创造性输出；对于内容生成任务，则适当提高温度以增加多样性
- 异常处理机制：当 AI 评审对某条内容置信度过低时，自动标记为“需人工复审”，避免错误通过
- 成本与性能平衡：通过缓存常见查询结果和批量处理，降低 Amazon Bedrock 的 API 调用成本
总结与展望
Flo Health 的这一实践表明，通过精心设计的 AI 系统，可以在不牺牲医疗准确性的前提下显著提升内容生产效率。未来，团队计划进一步扩展 AI 评审的维度，并探索多模态审核（如图像和视频中的医学信息）。
对于同样面临专业内容审核瓶颈的团队，Flo Health 的经验提供了可复用的参考框架：从明确审核标准开始，逐步构建模块化 AI 评审，最后通过 RAG 赋能生成环节。