医药合规审查系统：RAG 架构与工程实践

背景

医药行业会议活动是反腐败审查和合规监管的重点领域。2023 年以来，国家卫健委、市场监管总局等多部门联合发布了一系列政策文件，明确禁止”站台式讲课”、”餐桌式会议”、讲课费与销量挂钩等违规行为。

企业面临的核心挑战：

• 会议活动数量大，人工审查效率低
• 合规法规分散，审查标准难以统一
• 违规模式隐蔽，人工识别困难
• 审查记录不完整，难以支撑审计追溯

传统规则引擎方法的局限性在于：违规表述多样化难以穷举、上下文语义理解要求高、法规更新频繁导致规则维护成本高。

技术动机

大语言模型（LLM）结合检索增强生成（RAG）技术为此类场景提供了可行的技术路径：

传统规则引擎	LLM + RAG
关键词穷举	语义理解，识别隐晦表述
规则硬编码	基于知识库推理
输出非结构化	结构化 JSON 输出
规则更新需改代码	知识库更新无需修改模型

核心洞察

本项目的设计基于四个核心洞察：

1. 领域知识结构化：将分散的法规文件、合规指引、违规案例转化为可检索的向量知识库
2. 审查逻辑外化：通过 Prompt 将专家审查逻辑编码为 LLM 可执行的指令
3. 风险量化输出：将定性的合规判断转化为定量的风险评分（0-100 分），便于分级处理
4. 证据链闭环：审查结论附带法规引用和来源文档，支持审计追溯

系统架构

整体架构

graph TB
    subgraph Frontend["前端层 (Vue 3 + TypeScript)"]
        UI[用户界面]
        Store[Pinia 状态管理]
        API[API 客户端]
    end
    
    subgraph Backend["后端层 (FastAPI)"]
        Router[路由层]
        Service[服务层]
        VectorDB[向量数据库管理]
        LLMClient[LLM 客户端]
    end
    
    subgraph Infrastructure["基础设施层"]
        Milvus[(Milvus 向量数据库)]
        OpenAI[OpenAI API]
        PDF[PDF 文档库]
    end
    
    UI --> Store
    Store --> API
    API --> Router
    Router --> Service
    Service --> VectorDB
    Service --> LLMClient
    VectorDB --> Milvus
    LLMClient --> OpenAI
    VectorDB --> PDF

数据流

sequenceDiagram
    participant User as 用户
    participant FE as 前端
    participant BE as 后端
    participant Milvus as 向量数据库
    participant LLM as LLM 服务
    
    User->>FE: 触发合规审查
    FE->>BE: POST /compliance-review
    BE->>Milvus: 向量检索相关法规
    Milvus-->>BE: 返回 Top-K 文档
    BE->>LLM: 构建 Prompt + 上下文
    LLM-->>BE: 返回结构化审查结果
    BE-->>FE: 风险等级 + 分数 + 来源
    FE-->>User: 展示审查结果

RAG 实现

知识库构建

graph LR
    A[PDF 文档] --> B[文本提取]
    B --> C[文本切分]
    C --> D[向量嵌入]
    D --> E[Milvus 存储]

知识库涵盖多层级法规文件，例如：

• 国家级法规
• 部委文件
• 行业准则
• 地方指引
• 执法文件

关键设计决策：

• 文本切分
• 中文优化
• 元数据保留

Prompt 工程

角色定义

Prompt 将 LLM 定位为”资深医疗合规审查专家”

审查维度

维度
合法性与主体资质
活动性质与学术实质
公允价值与财务透明度
敏感信息与数据安全

输出约束

强制 LLM 输出结构化 JSON，包含 risk_level、risk_score（0-100）、summary、risk_reasons。

评分逻辑：0-69 分 Low（绿灯），70-89 分 Medium（黄灯），90-100 分 High（红灯）。

风险等级校验

后端实现了风险等级与分数的一致性校验：即使 LLM 输出的等级与分数不一致，系统也会根据分数自动修正等级。这一设计体现了对 LLM 输出不确定性的工程化处理——信任但验证。

技术栈

层级	技术选型
前端	Vue 3 + TypeScript + Vite + Element Plus + Pinia + Tailwind CSS
后端	FastAPI + Pydantic + loguru
向量数据库	Milvus
PDF 处理	PyMuPDF
文本切分	langchain-text-splitters
测试	Vitest（前端）

工程特性

• 可观测性：loguru 结构化日志，健康检查端点
• 可扩展性：知识库脚本化更新，Prompt 外化，配置驱动
• 类型安全：前端 TypeScript 严格模式，后端 Pydantic 模型
• 来源追溯：审查结果附带源文件、页码、相似度分数

局限性

• 知识库更新需手动执行脚本，缺乏自动化机制
• 审查准确性依赖 LLM 能力，存在误判可能
• 审查记录存储在前端 localStorage，缺乏后端持久化

总结

本项目展示了一个完整的 LLM 应用工程实践：将领域专家知识编码为向量知识库和 Prompt，通过 RAG 架构实现知识增强的智能审查，将定性判断转化为定量评分，并保留完整的证据链支持审计追溯。项目在架构设计和工程实践方面体现了 LLM 应用落地的典型路径。