在医疗报告质控场景中，我们反复面临一个取舍：规则系统准确但不灵活，大模型灵活却不稳定。最终的选择不是二选一，而是让两者各司其职。
规则引擎：解决确定性问题
有一类质控问题是结构化的、非此即彼的，规则能以近乎零成本的方式精准命中：
- 患者标识、性别、年龄、检查项目等必填字段是否缺失
- 报告描述中出现的器官与患者性别是否矛盾
- 采用标准化分级的检查是否给出明确分级，分级与描述是否冲突
- 是否出现常见错别字或不规范表述
这类问题的共同特点是判定标准清晰、结果可解释、响应在秒级。用大模型去做反而大材小用，还引入了不必要的随机性。
AI 语义引擎：覆盖规则难以穷举的盲区
但报告中还有另一类问题，恰恰是规则的天花板所在：报告前半部分描述"未见异常"，结论却给出明确病灶诊断；前后两段对同一部位的描述相互矛盾；表述虽无错字但逻辑不通。
这类语义层面的矛盾难以用关键词或句式穷举，而这正是大模型的强项。
裁判员机制：给 AI 输出加上一道闸门
医疗场景对准确性的要求远高于通用场景。模型的"幻觉"一旦被医生采信，不仅无助于质控，反而会干扰判断。因此我们没有把 AI 输出直接呈现给医生，而是设置了多重把关：
- 裁判员复核：AI 给出的问题由独立的校验环节二次确认，过滤缺乏依据的判断
- 置信度阈值：低于阈值的判断不予采纳，阈值可按科室需要调整
- 误报豁免：内置豁免词表，排除容易误判的表述模式
- 白名单机制：经科室确认无需检查的场景可加入白名单
- 温度参数锁定为 0：确保同一份报告多次质控结论一致，结果可复现
设计原则——宁可漏报，不可误报。在医疗场景中，错误的提示会消耗医生的信任，其代价高于偶尔的漏检。
让系统越用越准
系统允许医生对认定为误报的问题点击"忽略"并填写原因，也可点击"漏报"补充上报系统未发现的问题。这两类反馈都会回写服务端，成为规则优化与模型调优的依据。
这正是区别于"一次性交付"工具的关键：质控系统因此具备了持续进化的能力，科室的每一次反馈都在校正系统对本院实际业务的理解。