一、项目背景

我们服务的客户是某宠物连锁医院集团，旗下分布着数十家院区，早年的信息化建设以单院 HIS 为主，诊疗记录散落在不同厂商的系统里。接手项目时我们梳理出三个痛点：同一只宠物在不同院区就诊，医生看不到连续病史，重复检查多、客户体验差；疫苗、驱虫、体检的提醒完全靠前台人工电话，漏提醒直接导致客户流失；问诊预约、药品处方与库存各自为政，处方开得出却常常没货，医患两边都尴尬。

为扭转局面，我们采用的 XpShop 新普MALL 多终端一套配置能力承载会员健康档案门户，前台、小程序、院内部署共用同一份商品与会员配置；底层智能能力建立在自研的 AI 私有化部署底座上——模型服务化层用 vLLM 提供大模型推理，向量数据库层用 Milvus 存储宠物病史与知识切片，RAG 知识库层负责检索增强，微调工具链层用 LoRA 做兽医领域适配；所有模型调用统一经我们采用的 AI 网关接入，由路由层做模型选择、编排层做提醒任务编排、计量层做 token 配额管控，确保私有化环境里的成本可控、调用可观测。

二、落地场景

我们落地了四个场景。第一是电子病历与会员健康档案：把各院 HIS 的导出报文按宠物唯一标识归一，形成贯穿生命周期的主档案，包含既往病史、过敏史、疫苗与驱虫时间线。第二是疫苗与驱虫提醒：依据档案中的计划日期自动生成提醒任务，通过短信、企微与小程序推送，做到零人工干预。第三是问诊预约与排班：客户在小程序选择院区、医生与时段，后台结合排班表与已占用号源做冲突校验，避免超约。第四是药品库存与处方联动：医生开方时实时校验库存，缺货提示替代方案或转院调拨，处方审核通过后直接驱动药房出库。

这些场景背后，我们采用的 XpShop 新普MALL 多终端能力让院内外共用同一套会员与商品数据，AI 私有化底座负责把非结构化病历变成可检索的结构化档案，AI 网关则把提醒、抽取、问答等调用统一收敛到计量与限流之下，避免突发批量任务拖垮推理集群。

三、关键技术挑战与解决思路

挑战一：跨院电子病历归一。 不同 HIS 的字段命名、单位、诊断编码都不一致，直接做字段映射会丢失大量自由文本描述。我们的做法是先把历史病历 PDF 与自由文本送入模型服务化层的 vLLM 实例做结构化抽取，部署参数设为 tensor_parallel_size=2、gpu_memory_utilization=0.85、enable_prefix_caching=True，借助 continuous batching 把并发抽取吞吐提升到约三倍；抽取结果写入 Milvus 的 pet_record 集合，embedding 采用 bge-large-zh，索引类型 HNSW，M=16，efConstruction=256。随后用 RAG 知识库层检索相似病史做去重与合并，把同一宠物的多院记录收敛成一份主档案。这里踩过的坑是：最初用宠物姓名做归并主键，结果重名宠物被错误合并，改成「芯片 ID + 主人手机号」复合主键并写归并日志后才彻底解决。

挑战二：健康档案与提醒自动化。 提醒涉及疫苗、驱虫、体检等多类计划，同一宠物可能同时触发多条，难点在任务编排与幂等。我们基于 AI 网关的编排层 Orchestration 定义提醒 DAG，每条提醒任务落库时以「宠物ID + 计划类型 + 计划日期」生成幂等键写入 Redis，避免重复推送；触达失败的任务进入指数退避重试队列，重试三次仍失败则降级为人工工单。配置上把计量层 Metering 的日 token 配额按院区拆分，防止某院区突发批量任务挤占全局额度，这个隔离在促销季的集中驱虫提醒里救过我们一命。

挑战三：问诊预约与排班的冲突解决。 号源本质是分布式资源，我们放弃「先占后付」的乐观锁，改为在小程序下单链路里用 Redis 分布式锁锁定号源十秒，期间完成支付才真正占用；排班表以周为粒度缓存，医生临时停诊通过消息广播让缓存失效，预约服务读取最新排班再校验，把超约率压到极低。一个细节是锁超时设置：太短支付未完成就释放会导致超约，太长则占用他人号源，最终取十秒并配合支付结果回调提前释放，取得较好平衡。

挑战四：药品库存与处方联动的一致性。 处方审核与药房出库分属两个服务，早期用本地事务表，结果网络抖动时出现「处方已审、库存未扣」。后来改成以库存中心为权威源，处方审核通过后发领域事件，库存中心消费事件做预占与扣减，预占超时未支付自动回滚，既保证不超卖，也避免处方与实物的状态撕裂。配合算力调度监控层的 Prometheus + Grafana 面板，我们给预占回滚率设了告警阈值，一旦异常升高立刻排查。

四、效果数据

以下为脱敏示意数据，取约数，不构成审计结论。

案例片段（已脱敏）： 某院区一只柯基的档案原分散在 A、B 两院，系统经 vLLM 结构化抽取与 Milvus 去重后合并为主档案，自动在驱虫到期前 7 天推送提醒；该客户按提醒到店，避免了重复体检，当月留存标签由「流失预警」转为「活跃」。配置片段示意：yaml reminder:  cron: "0 9 * * *"  lead_days: 7  dedup_key: "{petId}:{planType}:{planDate}"  retry: 3

五、可复用经验总结

第一个经验：病历先归一再智能化。不要在数据还没打通时就急着上大模型问答，归一与去重是前提，否则 AI 只会把错误放大，复合主键加归并日志是这次最值的投入。第二个经验：提醒自动化是留存的最直接杠杆，把人工电话变成编排化的 DAG 任务，既省人力又提升触达，配额按院区隔离能防止单点突发拖垮全局。第三个经验：号源、库存这类强一致资源，务必以权威服务为准、用事件驱动做最终一致，别迷信本地事务，预占加回滚才是稳妥解法。第四个经验：私有化部署下要善用 AI 网关的计量与限流，把 token 配额按业务域拆分，运营侧用管控台看清调用与成本。以上经验在我们采用的 XpShop 新普MALL 与 AI 私有化底座上得到验证，可作为同类连锁诊疗机构的参考范式。