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。模块职责技术选型示例数据采集层检索文献、获取摘要、保存原始文本NCBI E-utilities / arXiv API数据处理层XML/HTML 解析、文本去重、分句、实体预标注Python BeautifulSoup / lxml情报抽取层利用大模型抽取基因、突变、药物、耐药机制OpenAI API / 本地部署模型简报生成层将结构化信息渲染为 Markdown / PDF / HTMLJinja2 Markdown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 Python3.9 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_KEYsk-xxxxxxxxxxxxxxxx OPENAI_BASE_URLhttps://api.openai.com/v1 OPENAI_MODELgpt-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-utilitiesNCBI 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, paramsparams, timeout30) 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, paramsparams, timeout30) 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, retmax10) 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, encodingutf-8) as f: json.dump(articles, f, ensure_asciiFalse, indent2) 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_keyos.getenv(OPENAI_API_KEY), base_urlos.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( modelself.model, messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_prompt}, ], temperature0.1, 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(pathraw_articles.json): with open(path, r, encodingutf-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, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) 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 Markdown6.1 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(), keylambda x: x[count], reverseTrue ) for m in summary_mutations: m[drugs] sorted(m[drugs]) return template.render( generated_atgenerated_at, article_countlen(results), summary_mutationssummary_mutations, mechanismsmechanisms, articlesresults, ) def main(): with open(extracted_results.json, r, encodingutf-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, encodingutf-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( modelos.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}, ], temperature0.2, ) 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 Pipeline7.1 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, retmaxretmax) articles client.fetch_summaries(pmid_list) with open(raw_articles.json, w, encodingutf-8) as f: json.dump(articles, f, ensure_asciiFalse, indent2) 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, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) 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, encodingutf-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, retmax8)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.jsonLLM 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 请求失败或超时问题现象常见原因解决思路HTTP 429 Too Many Requests请求频率过高增加 sleep_time申请 NCBI API Key 提高配额请求报 403缺少 User-Agent在 requests 中设置headers{User-Agent: Mozilla/5.0}返回 XML 为空PMID 不存在或已删除先用 esummary 检查 PMID 有效性本地无法访问 PubMed网络策略限制使用代理或离线数据源替换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(rjson|, , 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 RSSbioRxiv / 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接口方法说明/api/v1/briefsGET获取简报列表/api/v1/briefs/{id}GET获取简报详情/api/v1/run_searchPOST触发一次新的文献检索与简报生成/api/v1/articles/{pmid}GET查看单篇文献的抽取结果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。 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。模块职责技术选型示例数据采集层检索文献、获取摘要、保存原始文本NCBI E-utilities / arXiv API数据处理层XML/HTML 解析、文本去重、分句、实体预标注Python BeautifulSoup / lxml情报抽取层利用大模型抽取基因、突变、药物、耐药机制OpenAI API / 本地部署模型简报生成层将结构化信息渲染为 Markdown / PDF / HTMLJinja2 Markdown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 Python3.9 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_KEYsk-xxxxxxxxxxxxxxxx OPENAI_BASE_URLhttps://api.openai.com/v1 OPENAI_MODELgpt-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-utilitiesNCBI 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, paramsparams, timeout30) 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, paramsparams, timeout30) 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, retmax10) 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, encodingutf-8) as f: json.dump(articles, f, ensure_asciiFalse, indent2) 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_keyos.getenv(OPENAI_API_KEY), base_urlos.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( modelself.model, messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_prompt}, ], temperature0.1, 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(pathraw_articles.json): with open(path, r, encodingutf-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, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) 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 Markdown6.1 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(), keylambda x: x[count], reverseTrue ) for m in summary_mutations: m[drugs] sorted(m[drugs]) return template.render( generated_atgenerated_at, article_countlen(results), summary_mutationssummary_mutations, mechanismsmechanisms, articlesresults, ) def main(): with open(extracted_results.json, r, encodingutf-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, encodingutf-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( modelos.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}, ], temperature0.2, ) 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 Pipeline7.1 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, retmaxretmax) articles client.fetch_summaries(pmid_list) with open(raw_articles.json, w, encodingutf-8) as f: json.dump(articles, f, ensure_asciiFalse, indent2) 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, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) 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, encodingutf-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, retmax8)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.jsonLLM 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 请求失败或超时问题现象常见原因解决思路HTTP 429 Too Many Requests请求频率过高增加 sleep_time申请 NCBI API Key 提高配额请求报 403缺少 User-Agent在 requests 中设置headers{User-Agent: Mozilla/5.0}返回 XML 为空PMID 不存在或已删除先用 esummary 检查 PMID 有效性本地无法访问 PubMed网络策略限制使用代理或离线数据源替换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(rjson|, , 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 RSSbioRxiv / 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接口方法说明/api/v1/briefsGET获取简报列表/api/v1/briefs/{id}GET获取简报详情/api/v1/run_searchPOST触发一次新的文献检索与简报生成/api/v1/articles/{pmid}GET查看单篇文献的抽取结果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。