医院智能运维系统：AI驱动的架构设计与应用实践
医院智能运维系统：AI驱动的架构设计与应用实践
陈 洁 郭幽燕△ 王琮琤
摘 要
目的针对医院信息中心传统工单系统存在的缺陷，提升运维服务效能与水平，改进信息服务流程。方法采用人工智能手段，打造智慧运维服务平台，集成语音自动识别、知识库实时检索增强生成、智能体部署平台等架构，利用大模型、语音转录等技术实现工单处理、知识循环全链条自动化。结果系统大幅优化业务流，电话交互的工单自动生成比例升至近100%，问题处置效率与质量显著增强，同时切实减少信息化运营费用、提高管理效率。结论该系统有力破解传统运维模式的根本难题，为医院信息中心运作带来明显进步，也为多行业信息沟通与业务管控提供可参考的创新范例。
关键词
智慧运维 人工智能 工单系统 知识管理 信息服务 医院
0
引言
随着医院信息化建设不断深入，信息中心运维服务的品质与速度已成为确保医疗业务连续运作的关键因素[1-2]。电话联络作为临床科室与信息中心之间的主要交互方式，承载着系统报错、软件需求提交、业务操作指引等关键职能[3]。然而，传统运维工单系统在实际运作中暴露出诸多短板：过度依赖手动录入造成工单生成缓慢，知识积累流程缺失导致解决方案难以再次利用，被动应对模式引发故障处理延误，严重妨碍运维服务的响应速率与质量稳定，进而干扰临床业务的顺畅进行[4]。为突破上述困境，本研究提出构建一套融合语音自动识别、智能体协作与知识自我进化机制的智慧运维服务系统，为医院信息中心运维工作的智能化升级开辟了新路径。
1
业务需求
建设新一代智慧运维服务系统，着力达成四个维度的能力提升：一是完成工单流程自动化，增强工单处置效率与信息精准度；二是构建动态知识管理体系，打造可自我演进的智能知识库系统，辅助运维任务；三是改善全流程业务信息流转，强化语音识别与业务信息结构化解析能力，确保信息准确传递；四是提高运营管控效益，缩减运维管理复杂性与运营成本，为临床业务提供坚实支撑。
2
系统设计
2.1 设计目标和总体架构
本研究旨在打造一套基于人工智能(artificial intelligence，AI)赋能的智慧运维服务系统，核心目标是针对传统运维工单系统在响应速度、流程协同与知识管理等层面的不足，借助智能化技术提高运维服务的整体效能与品质。
系统总体架构以“感知-分析-决策-进化”为理论模型，深度整合多智能体协同与检索增强生成等先进技术，包含自动语音识别（automatic speech recognition，ASR）系统[5]、知识库在线检索增强生成（retrieval-augmented generation，RAG）功能模块、智能体发布平台、自动化平台、通知平台，以及管理与数据分析系统。上述部件通过统一接口与事件驱动机制协同运作，共同构成完整的智能化运维服务链条。其中，ASR系统负责将电话录音精确转化为文本，为后续的文本加工和知识提取提供基础支撑；知识库RAG模块依托混合检索与动态知识图谱技术，能高效查询知识库信息，辅助智能体完成文本提炼和信息抽取；智能体发布平台通过任务拆分与调度机制，负责将多个智能体嵌入电话处理环节，提高工作效能和处理精确度；自动化平台作为系统中枢，统筹各部件协同运作，构建端到端的业务流程闭环；通知平台基于事件触发规则，实现信息的精准定向推送，确保业务流程顺畅推进；管理与数据分析系统则对工单处理、知识匹配等关键指标进行多维度统计分析，为服务改进提供量化依据。系统的核心亮点在于首次将多智能体协同架构与知识自进化机制系统性地融合，并应用于医院运维场景，实现了技术能力建设与具体业务场景深度结合的工程实践。见图1。
图1 系统构架
2.2 关键组件设计
2.2.1 ASR系统构建
搭建ASR系统，通过集成成熟的语音识别技术和算法，实现语音实时转录能力。系统结合自然语言处理技术，能够将电话录音中的语音内容精确地转换为高质量的文本格式[6-7]，并实时显示在电脑屏幕上。系统可自动为客服人员弹出相关知识库条目或应答建议，有效提升首次呼叫解决率。同时，该系统可以自动识别并提取出对话中的关键信息、判断来电者在通话中的情绪，并将通话内容进行归类。通话结束后，系统自动将保存下来的录音文件转换成完整的文字记录，该流程不仅为后续文本处理提供了高质量数据源，也为知识提炼与深度数据分析夯实了基础。
2.2.2 知识库在线RAG功能实现
构建具备在线RAG功能模块，支持用户用自然语言直接提问，可自动从庞大的历史维修知识库中精准定位相似问题及对应解决方案，为信息技术人员的问题诊断与处置提供决策辅助。同时，需建立知识库内容的定期审核与更新机制，技术人员在完成工单处置后，将验证有效的新方案沉淀回知识库，形成从问题解决、知识沉淀到知识复用的完整闭环。系统还提供便捷的反馈渠道，允许用户对RAG给出的答案进行“有用/无用”快速反馈。从而构建了知识自演进机制，推动系统知识库的持续优化与迭代，实现对知识生命周期的完整管理。
2.2.3 智能体发布平台搭建
本平台面向智能体发布流程构建，通过统一的接口规范与事件驱动机制，将13个功能各异的智能体整合至运维服务流程中，实现与工作流引擎的深度融合。各智能体在通话数据处理全链条中发挥关键作用，其功能丰富多样[8]。其具体分工如下：语音转写智能体对接ASR系统，将通话录音转为规范文本；语义理解智能体解析文本内容，精准识别问题类型与用户需求；工单生成智能体按预设模板自动生成规范工单；知识检索智能体基于在线RAG技术从知识库中匹配最优解决方案；信息抽取智能体提取核心症状、系统模块等关键业务信息；问题分类智能体对问题类型（软硬件/网络/操作等）进行自动归类；智能派单智能体根据问题类型、运维人员负载与技能水平实现工单自动派发；文本提炼智能体对通话及工单文本进行去冗摘要，提炼核心信息；标签生成智能体为工单与知识条目打上标准化分类标签；知识验证智能体校验知识库内容的准确性与场景适用性；知识融合智能体将验证通过的新知识融合到现有知识库；用户反馈分析智能体挖掘服务流程中的改进要点；业务流程监控智能体对运维全流程进行实时监控与异常预警。智能体间通过标准数据接口传递结构化信息，形成“语音转写→语义理解→知识检索与抽取→分类派单→文本与标签加工→知识验证融合→反馈监控”的完整工作流。在训练与调优方面，各智能体基于实际业务场景数据，通过强化学习及在线反馈机制持续优化模型。此外，平台在运行过程中动态抽取通话文本、工单、知识条目中的实体与关联关系，通过增量更新方式构建“动态知识图谱”，为智能检索、关联分析与决策辅助提供有力支撑。
2.2.4 自动化平台搭建
为达成工单流程的自动化协同，构建自动化平台。该平台的核心职能是实现对13个专用智能体的任务调度与协同工作流编排。通过预定义的自动化触发器，实现全流程动态调度：首先，电话系统执行录音任务；其次， ASR系统将音频数据转换为文本；大模型与智能体发布平台则对初始文本进行深层次处理；最后，在线知识库基于上述处理结果进行知识的精准匹配与溯源。自动化触发器在这些业务环节之间建立紧密的业务流程关联，高效完成复杂的任务流和数据流调度工作[9]。同时，平台采用可视化流程开发界面，可实现复杂业务逻辑的敏捷管理与快速迭代。
2.2.5 通知平台建设
为保障工单处理流程中的信息协同效率，构建一套基于事件驱动的智能通知平台。该平台的核心职能在于通过自动化规则引擎，实现任务流关键节点的精准消息触达与闭环管理。当任务流在自动化平台中触发特定事件，如工单处理完成需审核、知识更新需相关人员知晓等场景时，通知平台会依据预先设定的通知规则，精准地向对应责任人员发送通知，确保信息及时传达，有效保障业务流程的顺畅推进。
2.2.6 管理和数据分析系统搭建
构建服务于管理决策的数据分析与评价系统，该系统旨在深度整合自动化平台及多业务系统数据流，实现对工单处理量、处理时效、智能体运行效能及人员任务完成质量等核心指标的系统采集与量化评估。通过引入先进的数据分析算法，对海量运营数据进行多维度挖掘与深度解读，为管理者提供精准、深入的业务洞察力，进而支撑业务流程的持续优化与整体工作效能的稳步提升。
2.2.7 大语言模型选型
大型语言模型的选型需综合考量技术性能、数据安全与业务长期可持续发展。DeepSeek 模型凭借其混合专家系统架构，在数学推理与复杂逻辑分析方面表现突出，其开源特性与支持私有化部署的优势，能更好地满足医疗场景对数据隐私与安全合规的严格要求，最大限度降低院内敏感数据外泄的风险。相比之下，豆包模型虽在中文语义理解与人机交互体验上发展成熟，但其云端公有服务模式在涉及患者隐私信息的核心诊疗业务环节中存在合规与数据安全隐患。基于实际业务需求、数据安全要求与综合成本效益开展多维评估，医院最终选定 DeepSeek 模型进行本地化私有化部署。该选型方案不仅保障了整体技术路线的自主可控，同时其开源生态模式也有助于规避长期依赖商用应用程序编程接口（application programming interface， API）服务所产生的持续性运维成本。这为后续实现信息技术（information technology，IT） 运维工单智能分派、全流程自动化处置与知识库迭代优化，奠定了安全可靠的底层技术支撑，可助力全面提升医院信息化运维服务的响应时效与精细化管理水平。
3
系统关键技术
3.1 大模型技术
大模型凭借海量参数与深度神经网络成为系统核心。通过对海量文本数据进行深度学习，大模型构建了深层次的语义理解体系，能精准理解自然语言内容，快速完成信息提炼、整合与归纳总结，从而大幅减少人工重复性工作。在文本处理场景中，大模型能够深度挖掘文本中的语义关联、情感倾向及潜在的逻辑关系。
在服务目录分组创新方面，大模型依托向量化查询技术，将文本转为高维向量，通过精准计算向量间的相似度，实现对用户查询意图的精准识别与匹配。这一技术打破了传统基于结构化标签查询的局限，使用户得以采用更为自然、灵活的方式获取所需信息。无论用户输入的是模糊不清的关键词，还是复杂详尽的问题描述，大模型都能在海量运维数据中快速定位到最为相关的信息，提升了信息查询的效率、精准度与覆盖范围。
3.2 AI语音转写技术
AI 语音转写技术作为工单系统的核心组件，通过端到端的深度学习框架，实现了语音信号到文本数据的高精度转化。研究表明，将录音文件转化为文本后，存储空间占用显著降低，可高效节约存储资源，降低存储成本。该技术可实现语音信息的长期持久化存储，通过标准化流程即可完成语音内容的完整复原，进一步提升工单处理的效率与准确性。
在实际应用中，AI 语音转写技术仍面临诸多挑战，如环境背景噪音干扰、录音质量不稳定等问题。为解决这些问题，引入降噪算法与信号增强技术对原始录音进行预处理，有效消除背景噪声，提升语音信号的清晰度与质量[10]。同时，联合优化语言模型与声学模型，对含专业术语、小众词汇的通话内容进行精准解析，显著降低转写错误率，切实保障转写文本的规范性与准确性，为工单处理、知识沉淀提供高质量的数据支撑。
3.3 模型微调技术的初步尝试
为进一步提升语音识别在医疗专业领域的准确率，本研究采用了模型微调技术[11]。在系统中，经领域专用数据微调后的模型充当了后处理优化器，在语音识别完成后，对转写的文本进行二次校验、修正与纠偏工作。通过内置的智能算法和持续学习机制，模型得以持续积累并动态更新知识储备，逐步培育对各种复杂语言现象的精准理解与高效处理能力。利用专业平台服务，以低成本与高效率实现模型的专业化微调与快速部署，为医院医疗信息系统提供稳定、高效的技术支撑。
在医院实际应用场景中，经过模型微调后，系统对于医院专用词汇的识别率得到大幅提升。通过智能体的精准调用，该模型能迅速助力语音识别系统优化文字输出质量，显著提升转写文本在医疗专业语境下的可读性与准确性。经过微调的模型可对识别不准确的录音文本进行精准检测与纠正，确保转写信息的完整性与准确性。同时，智能体还能根据用户反馈和实际应用场景的动态变化，不断优化自身纠偏策略，持续提高识别准确率，为后续数据分析和业务流程处理奠定坚实、可靠的数据基础。
3.4 智能体知识管理
在知识管理体系中，智能体知识管理是一项兼具创新性与实用性的关键技术[12]；其核心是运用智能体技术，对原有的知识库进行深度挖掘与拓展，以提高知识在实际业务场景中的命中率，增强知识的应用价值与复用效率。
在日常运维工作中，电话沟通是高频且重要的知识载体，但其蕴含的知识价值长期以来未能得到有效挖掘与利用。为此，本研究设计并实现了基于RAG技术的知识识别智能体[13]，该智能体的核心功能在于自动判别电话沟通内容是否与现有知识库条目相匹配。初步在真实电话接听场景中的测试结果表明，该智能体对已有结构化知识的识别命中率约为20%，这一数据揭示了一个关键现状：高达80%的隐性运维知识仍处于未被系统化整理与有效利用的状态。为弥补这一知识覆盖率的不足，引入大语言模型强大的语义分析与信息抽取能力，针对未能命中知识库的对话内容，系统能够进行深度语义解析、关键信息提炼和逻辑结构重建，进一步完善整个运维知识体系。
智能体通过自然语言处理技术，判定通话中描述的问题解决状态：若问题已获得解决，系统自动启动关键知识提取流程，智能体则精准提取问题描述与解决方案，以清晰、准确的规范格式呈现出来，生成待处理知识条目并推送至人工介入通道；若问题未得到解决，系统自动标记工单未闭环，智能体梳理用户核心诉求、未解决原因、遗留问题及后续跟进需求，生成跟进台账，推送至对应处理人员开展二次跟进、持续处置。所有由智能体生成的知识摘要或问题描述均需经过人工复核环节，严格把控问题描述的精准度。
在此过程中，智能体还具备自动过滤与筛选功能，通过对知识内容的深度分析，判断其是否存在重复、是否具备实际记录价值。智能体将此类内容自动过滤，避免无效信息冗余堆积，减轻知识库运维负担。随后，智能体将筛选、提炼后的有效知识进行标准化标签标注与分类整理，形成规范的知识条目，提交至医院运维系统。运维系统会将这些知识条目分配给对应负责小组，在正式入库前完成最终审核。以上流程形成了知识从产生、提炼到规范化入库的完整闭环。通过智能体知识管理技术，实现了对知识从获取、筛选、整理到入库的全流程自动化管理，有效提升了知识库的质量、完整性与实用性，为医院运维服务提供有力的知识支撑。
4
系统实施路径与部署策略
为确保从传统运维系统向智慧运维服务系统的平滑、安全过渡，制定了分阶段、渐进式的实施路径与全面的风险控制策略。
4.1 分阶段并行部署与迁移
采用“双轨并行、逐步切换”的核心实施策略。初期，新系统在非核心或试点科室（如单个病区或后勤部门）率先上线，与传统系统同步并行运行。此阶段，所有工单在新旧两套系统中同步流转与处理，通过双向结果比对验证新系统的准确性与稳定性。待验证通过后，再将应用范围逐步扩展至全院其他科室，最终完成全量切换，最大限度保障业务连续性不受影响。
4.2 系统化的培训与赋能机制
针对不同岗位角色（如一线接线员、运维工程师、系统管理员）设计差异化、针对性培训方案。培训内容不仅涵盖系统基础操作，更着重于新工作流程的深度理解与智能体协同机制的熟练掌握。同时，通过线上课程、实操沙箱、情景模拟演练及编制“智能体助手”速查手册等多元化培训形式，确保各岗位用户能熟练运用新系统工具，实现从“被动操作”到“主动协同”的工作模式转变，全面提升岗位工作效能。
4.3 全过程风险管控措施
4.3.1 数据迁移与一致性保障
制定周密、可落地的历史数据迁移方案，在迁移前、迁移中、迁移后进行多轮交叉数据校验，确保知识库、工单记录等核心数据的完整性、准确性与一致性，杜绝数据丢失或偏差问题。通过科学的实施路径与全面的风险控制策略，以可控的风险、清晰的步骤，稳步推动智慧运维系统的成功落地，最终实现运维效能与服务质量的跨越式提升。
4.3.2 系统回滚预案
部署阶段，预先准备好完整、可快速执行的系统回滚方案，明确回滚触发条件、操作流程与责任分工。一旦新系统在运行中出现重大异常且无法快速修复，可安全、迅速地切换回原稳定系统，将业务中断影响降至最低。
4.3.3 性能与安全监控
上线后设立专项监控看板，对系统响应时间、智能体处理准确率、知识检索命中率等关键指标进行实时监测、动态预警，及时发现并处置系统运行隐患。同时，严格执行网络安全等级保护规范，对智能体接口、知识库访问进行严格的权限控制与操作审计，保障系统与数据安全。
5
系统建设成效
自2024年3月正式投入运行以来，实证表明，该AI智慧运维服务系统显著优化了核心业务流程，有效提升了整体管理效能。
5.1 优化了业务流程
本院构建的AI赋能型运维系统，其核心创新在于采用多智能体协同架构，实现工单全流程自动化处置。在医疗场景语音理解方面，系统通过领域自适应微调技术，显著提升了对医学专业术语的理解精度，彻底取代传统人工电话接单模式，电话建单率从40%提升至100%，保障了建单的完整性与及时性，使信息中心各项工作全面纳入标准化信息化管理体系。这一成果为后续的工单高效处理、知识精准命中与复用、客户服务规范跟进等环节提供了数据支持，形成了全流程闭环支撑体系，有效保障了服务的可追溯性和管理效能的提升。在知识管理层面，系统依托RAG技术与动态知识图谱，构建了“处理—沉淀—复用—进化”的知识全生命周期闭环机制。例如，客服人员处理客户咨询时，系统能快速匹配需求并提供针对性的解决方案，提高了问题解决的效率与质量，进而提升了临床科室的满意度。见表1。
表1 系统核心指标统计数据
5.2 提升了信息服务质量
通话识别准确率的提升，实现了信息中心与临床科室间沟通信息的精准记录，并依托自动化的辅助整理功能，有效推进知识的凝练与高效传递。这一机制使得信息中心的服务能力得以随系统迭代持续积累与传承，知识库亦实现动态同步更新，从而保障信息服务的持续有效。在此基础上，系统通过构建面向运维场景的多智能体协同架构，实现了对临床问题描述的自动解析、关键信息提取与解决方案的智能匹配，显著提升了信息中心对复杂服务请求的精准理解与快速响应效率。具体而言，智能体技术能够准确解析临床医务人员所反馈的问题描述，信息中心人员不仅可清晰掌握问题全貌，还能借助系统自动提炼的关键要点，迅速形成针对性解决方案，实现知识的高效传递与复用。同时，依托集成RAG与动态知识图谱的智能文本分析引擎，系统能够对历史沟通记录进行深度挖掘，精准识别潜在的服务瓶颈与临床核心需求，为信息服务优化与产品升级提供科学、可靠的决策依据。该过程进一步强化了知识的更新与传承，推动信息服务的质量与水平不断提升。
5.3 降低信息化运营成本与提升管理效能
从知识传承与人才培养的视角评估，该系统通过引入基于动态知识图谱的智能沉淀机制与自然语言处理的交互式检索路径，显著提升了信息服务的整体效能与标准化水平。通过结构化的知识沉淀机制与便捷高效的检索路径，使新入职人员能够快速掌握核心工作要点与标准化操作流程，有效缩短了岗位适应周期，加速了人才培养进程。在服务质量监控方面，依托智能体协同的实时监测功能，实现了对服务流程的动态优化与风险预警，持续为临床科室提供高水准的信息支持。随着医院信息系统（hospital information system，HIS）等核心软件的迭代升级，内嵌知识库通过RAG技术与增量学习技术实现动态同步更新，形成“系统升级—知识更新—能力传承”的良性循环，切实保障了知识体系的一致性、完整性与时效性。在此基础上，每一位服务人员可借助智能体协同的决策支持功能，快速调用知识内容，有效支撑临床科室的业务连续性与操作规范性，进而提升医疗信息服务的响应速度、服务质量与专业水平。
6
结束语
在AI赋能的智慧运维服务系统构建与应用全过程中，实现从被动响应向主动预警与持续能力进化的智能运维新模式。该系统的设计与开发始终以解决临床运维工作中的实际瓶颈问题为核心导向，通过将ASR技术、RAG技术与多智能体协同技术进行深度融合，不仅实现了工单全流程自动化与知识的高效复用，成功将电话建单率提升至近100%，还构建了“处理—沉淀—复用—优化”的知识自进化机制，使运维能力得以系统性传承，显著提升了服务质效与临床科室满意度。
展望未来，随着AI技术的持续迭代发展，该系统也将实现常态化演进[14-15]，并沿两个核心方向深化发展：一方面，进一步拓展大语言模型在运维服务中的深度融合与应用边界，充分挖掘其在智能问答、决策辅助与自动化处置等方面的价值，提升系统智能化水平；另一方面，将持续优化智能体知识管理、模型微调与RAG等关键技术方法，完善知识获取、沉淀与复用的能力闭环，为医院信息中心运维工作提供技术支持。也为跨行业的信息化运维与业务管理贡献可借鉴的实施范式。
文章