🩺 作者：周醫師（胸腔重症專科醫師・人工智慧醫療碩士）
🤖 整理策劃：小愛（Hermes Agent）
🏷️ 分類：AI 醫療 / 智慧醫療 / 臨床工作流
📅 發表日期：2026 年 10 月 5 日

💡 專欄導讀：如果每一次與 AI 互動，都需要醫師重新輸入背景、重新貼上資料、重新要求輸出格式，那麼 AI 本質上依然只是一具被動的數位打字機。本文深入探討臨床醫師如何從單次對話（Chat）、代碼賦能（Coding）跨越到自主協同（Agentic AI），將累積多年的臨床思維封裝為受嚴格治理、可重複運行的專屬醫療工作流。

【核心命題】
如果每一次與 AI 互動，都需要醫師重新輸入背景、重新貼上資料、重新要求輸出格式，那麼 AI 本質上依然只是一具被動的「數位打字機」。
從單次對話（Chat）、代碼賦能（Coding）跨越到自主協同（Agentic AI），並不是要把臨床醫師改造成軟體工程師，而是讓我們第一次有能力將累積多年的臨床思維與決策邏輯，封裝為受嚴格治理、可重複運行的專屬醫療工作流。

📌 一、病房外的真實風景：我們是在「使用」AI，還是在「伺候」AI？

深夜十一點半，加護病房與胸腔科病房的常規處置告一段落。辦公桌前，揉了揉酸澀的雙眼，打開電腦。

明天早上八點有一場跨科死亡與併發症討論會（M&M Conference），下午緊接著是醫學系學生的問題導向學習（PBL）教案討論，手邊還壓著一篇等待修改補件的次專科論文。

這時，許多已經接觸生成式 AI 的臨床同儕，標準動作通常是這樣的：

打開瀏覽器，切換到 ChatGPT、Claude 或 Perplexity，深吸一口氣，開始敲擊鍵盤下指令：

「請扮演資深胸腔專科醫師，幫我把這段病歷摘要整理成條列式 Problem List，重點放在慢性阻塞性肺病急性惡化（AECOPD）與呼吸衰竭的鑑別診斷，口吻要專業，列出參考文獻……」

按下送出。十秒鐘後，螢幕吐出一長串四平八穩、甚至帶點教科書味道的文字。

讀了幾行，往往會忍不住苦笑：「語氣太像衛教文了，我要的是重症晨會討論格式」、「這兩篇列出來的文獻看起來很眼熟，但查了 PubMed 好像查無此文（典型的 Hallucination）」、「剛剛忘了告訴它病人有末期腎病變，劑量全算錯了……」

於是，我們開始打第二段 Prompt 修正、第三段補充條件、第四段要求換格式。

最後，把文字複製下來，貼到 Word 或 PowerPoint 裡，手動調整排版，自己重新到文獻資料庫核對數據與 DOI。

這是一個極為真實卻鮮少被挑明的現場困境：

我們原以為引入了頂尖的 AI 助手可以解放時間，但實際上，我們卻花費了大量精力和時間，在一個小小的對話框裡「伺候」這個每一次對話都失去前文記憶、缺乏臨床工作脈絡的實習生。

醫師使用 AI，真的只能停留在「我問一句、你答一句」的對話框模式嗎？

⚙️ 二、第一階段的極限：為什麼說「單純聊天」只發揮了 AI 的一成潛力？

必須先說清楚：Chat AI（對話式 AI）本身沒有錯，它是極其偉大的技術破局點。

回顧過去兩三年，大語言模型（LLM）的文字理解與生成能力，確實替我們分擔了許多繁瑣的初步工作：

  • 衛教文案生成： 將艱澀的醫學機轉轉譯成病患看得懂的日常白話。
  • 鑑別診斷腦力激盪（Brainstorming）： 在面對非典型罕見病例時，提供不漏掉少見疾病的檢查清單。
  • 跨國文獻快速翻譯： 迅速掃描非母語的歐洲或各國臨床指引摘要。

然而，如果我們對 AI 的想像與應用，長年停留在「打開網頁聊聊天」，很快就會撞上三道堅不可摧的天花板：

1. 無狀態（Stateless）的溝通消耗

Chat 介面的本質是「臨時對話」。每一次開啟新視窗，它對我們的專科習慣、醫院的處方常規、我們慣用的教學投影片架構一無所知。每次都必須重新定義 Persona（人設）、重新交代背景，這在認知心理學上叫做高昂的「脈絡切換成本（Context-Switching Cost）」。

2. 嚴重的資訊孤島（Data Silo）

對話框與真實的醫療工作環境完全脫節。它讀不到我們雲端硬碟裡長年累積的教學投影片，連不上電腦本機的文獻庫（如 EndNote / Zotero），更無法直接把整理好的表格寫入我們的工作檔案中。所有的「輸入」靠我們手動複製貼上，「輸出」靠我們手動搬運整理。

3. 無法標準化的品質變異

同樣一個臨床問題，今天問和明天問，產出的深度可能截然不同；換了一個模型版本，格式又徹底走樣。在講求重現性（Reproducibility）與可信度（Credibility）的醫學領域，無法固定品質的工作方式，注定只能當作輔助參考，難以成為日常業務的穩定支柱。

對話式 AI 是起點，但絕不該是終點。

💻 三、第二階段的覺醒：AI-assisted Coding 的真諦不是「當工程師」，而是「打造自己的工具」

當意識到對話框的局限後，有一部分具有探索精神的同儕邁出了第二步：嘗試將 AI 結合輕量代碼（AI-assisted Coding）。

一聽到「Coding」或「寫程式」，九成以上的臨床醫師第一反應都是抗拒：

「我白天門診查房、晚上值班做研究，哪有時間去學 Python、語法、環境設定？我又不是要轉行當軟體工程師！」

這正是最普遍的誤解。

在現代大語言模型賦能下的「AI Coding」，其核心意義根本不是把醫師變成程序員，而是讓醫師第一次擁有了『把腦中的臨床工作邏輯，低成本塑造成自動化小工具』的能力。

在過去，若想批次處理數百位氣喘病患肺功能追蹤資料的特定指標變化，要麼拜託醫院資訊室（通常排單要等半年），要麼自己打開 Excel，一行一行手動拉公式，弄到半夜兩點還可能算錯欄位。

但在今天，我們只需要用日常習慣的醫學邏輯告訴 AI：

「我有一份去識別化的肺功能追蹤 CSV，請幫我寫一段腳本：篩選出 FEV1 年降幅大於 60 mL 的病患，計算其吸入型類固醇使用劑量與急性惡化頻率的關聯，並繪製成符合醫學期刊投稿格式的高解析度圖表。」

AI 會直接產出完整、無誤的代碼，甚至在網頁沙盒中直接運行出結果。

我們不需要背誦任何一行語法，我們扮演的是規格制訂者（Spec Definer）與邏輯檢驗者（Logic Verifier）。

透過這種方式，許多臨床同儕開始打造屬於自己的「微型槓桿」：

  • 一鍵將數十篇新發布的文獻 PDF，批次提取其研究族群、主要終點（Primary Endpoint）與危害比（Hazard Ratio），自動匯整成結構化 Excel 表格。
  • 自動清洗臨床試驗的異質數據，過濾缺漏值並繪製 Kaplan-Meier 生存曲線圖。
  • 一鍵將零碎的病房晨會筆記，格式化為標準的教學案例模板。

到了這個階段，AI 已經從「陪我們聊天的助手」，升級為「替我們跑腿打造瑞士刀的工匠」。

但這依然還不是終局。因為這些小工具，本質上仍然是零散的、被動的，需要手動一個個去觸發。

真正的質變，發生在第三階段——Agentic AI（代理型 AI 工作流）。

🤖 四、第三階段的躍升：Agentic AI 如何讓醫師從「Prompt 打字員」變成「指揮官」？

什麼是「Agent（智能代理）」？它和一般的 LLM 到底差在哪裡？

用最貼近臨床的語言來說：

  • 一般的 LLM： 就像一個剛通過國考的實習醫師，肚子裡裝滿了教科書知識，問他一句，他能背出漂亮的答案；但我們不開口，他什麼事都不會主動做，給他一本病歷，他也不會自己去調檢驗報告。
  • Agent（智能代理）： 則像是一個受過扎實訓練的總住院醫師（Chief Resident）。他具備四大核心特徵：
  1. 目標導向（Goal-driven）： 給他一個明確目標，他會自己拆解成步驟。
  2. 工具調用（Tool Use）： 他會自己決定什麼時候該去查文獻資料庫、什麼時候該跑代碼、什麼時候該讀取雲端檔案。
  3. 長期記憶（Persistent Memory）： 他記得我們的專科習慣、我們過去修正過他的錯誤，不再每次失憶。
  4. 自主反思（Self-reflection）： 產出初稿後，他會先對照標準檢查一遍，發現矛盾自己重新修改，確認無誤後才呈報上來。

更具威力的是 Multi-Agent Orchestration（多代理協同系統）。

想像一下，在電腦背後，不再只有一個孤零零的對話框，而是一個分工嚴密、各司其職的「虛擬醫療助理隊列」：


醫療 AI 多代理協同工作流（Multi-Agent Orchestration）架構圖

圖：醫療 AI 多代理協同工作流（Multi-Agent Orchestration）——臨床醫師位於決策頂層，由核心編排大腦調度各專屬 Agent 平行運作，經由嚴格的醫療治理邊界（實證溯源、合成資料沙盒、Hallucination 熔斷、人類監督）產出可交付的結構化成果。

當明天要出一份「嚴重型氣喘生物製劑精準選擇」的跨科教學專案時，我們不再需要自己通宵熬夜：

  1. Research Agent 自主前往權威文獻源，爬梳 GINA 最新指引更新，提取各類單株抗體（Anti-IgE, Anti-IL5/5R, Anti-IL4R, Anti-TSLP）的生物標記閾值。
  2. Clinical Agent 調用臨床模板，生成一組符合真實生理表現、數據層層遞進的「合成虛擬標準病人」，並設計出具挑戰性的鑑別診斷轉折點。
  3. Evidence Agent 啟動防偽機制，逐條核對文獻的 DOI、樣本數與統計顯著性，凡是模型自己腦補的假數據一律強制剔除。
  4. Writing Agent 按照臨床專科嚴謹但易讀的專業語調，將生硬的機轉轉化為通順、結構清晰的專題筆記。
  5. 臨床醫師本人 只需要在晨會前半小時，喝著咖啡，打開終端交付物。審視關鍵數據、確認臨床方向、加入個人獨到的重症直覺與經驗判斷，簽名核可。

在 Agentic AI 的時代，醫師的角色徹底改變了。

我們不再是趴在鍵盤前敲提示詞的「打字員（Prompt Writer）」，而是運籌帷幄、帶領一支數位醫療特種部隊的「臨床指揮官（Clinical Supervisor & Orchestrator）」。

🔬 實戰剪影：當一般 ChatGPT 遇上「多代理協同工作流」

為了驗證這套系統的真實威力，我們以臨床常見的棘手難題進行了實測：

【臨床測試情境】
*「54歲男性，嚴重氣喘使用高劑量三合一仍頻繁急性惡化，抽血嗜酸性球 460 cells/μL、FeNO 58 ppb、吸入性過敏原陰性，合併重度慢性鼻竇炎伴隨鼻息肉（CRSwNP），該如何精準選擇生物製劑？」*

如果把這個問題直接丟進一般的對話框（ChatGPT / Claude），得到的通常是四平八穩的「教科書清單」：列出所有抗體藥品名，告訴你抗 IgE、抗 IL-5、抗 IL-4R 都可以考慮，甚至建議再去驗一次過敏體質以防漏掉 Omalizumab——一般 AI 給出的是毫無鑑別度的「大補帖選擇題」，把臨床決策與文獻查證重擔全丟回醫師頭上。

但當這道指令交由多代理協同工作流（Multi-Agent Workflow） 處理時，發生的事情截然不同：

  • Research Agent 即刻爬梳最新 GINA 指引與第三期隨機對照試驗（RCT），以 PICO 框架提取各大標靶在「伴隨鼻息肉（CRSwNP）」亞組的年惡化率與 SNOT-22 分數改善數據。
  • Clinical Agent 根據真實生理邏輯，自動架構出包含病程轉折、肺功能可逆性評估與 3 階段 PBL 討論題的結構化教學案例。
  • Evidence Agent 啟動防偽與安全治理機制：根據「過敏原陰性」果斷排除 Omalizumab；核驗 Dupilumab（QUEST / SINUS）與 Mepolizumab（SYNAPSE）的真實 DOI；並強制在處方計畫中標註「防範阻斷受體引發的短暫高嗜酸性球血症，建議於第 4 週與第 12 週追蹤血球計數」的醫療安全防線。
  • Writing Agent 最終將多方驗證後的成果，排版成符合台灣專科晨會標準的「臨床決策矩陣與 10 分鐘速查指引」。

從「模稜兩可的對話聊天」，躍升為「可直接用於專科晨會討論、有真實文獻背書且具備安全防線的臨床決策教案」——這就是單次對話與多代理協同的本質鴻溝。

🛡️ 五、醫療 Agent 與一般科技應用的關鍵分野：不是「更聰明」，而是「被良好治理（Governance）」

科技圈在談 Agent，往往沉醉於「全自動（Fully Autonomous）」、「無人值守」、「飛速迭代」。

但只要是在第一線救過病人、看過無數並發症的臨床同儕都很清楚：把這套邏輯盲目搬到醫療領域，簡直是一場災難。

醫療決策與生命的重量，決定了 Medical AI 的最高準則絕對不是「快」，而是「安全與可控」。

如果一個醫療 Agent 寫出一篇文筆極為優美、邏輯看似無懈可擊，但裡面夾雜了一篇虛構的隨機對照試驗（RCT），或者把抗凝血劑的禁忌症寫反了，這不叫進步，這叫危害。

這正是為什麼：真正成熟且可落地的 Medical Agent，核心技術根本不在於底層模型有多聰明，而在於外部的「醫療治理架構（Medical AI Governance）」。

在我們的實戰摸索與工作流建置中，我們為醫療 Agent 確立了四條不可退讓的防線：

1. 實證溯源鏈（Evidence Traceability）

任何 Agent 提出的臨床主張、數字或治療指引，背後必須強制附帶真實、可驗證的原始文獻出處（DOI 或官方指引章節）。禁止模型憑藉隱晦的「參數記憶」信口開河；沒有實證支持的論述，必須顯式標註為「推論」或「假設」。

2. 合成資料沙盒（Synthetic Data Sandbox & Privacy）

醫學中心的資安防護與病患隱私法規（如個人資料保護法、HIPAA）是最高紅線。成熟的工作流絕不把真實病患的可識別資料丟上公有雲端。所有工作流演練與教案產出，必須一律在本地端透過合成資料（Synthetic Patient Profile）進行去識別化重構，安全無虞後方可運行。

3. 熔斷與回退機制（Circuit Breaker & Graceful Degradation）

當系統偵測到多個 Agent 之間的實證比對出現衝突，或是特定文獻檢索信心水準不足時，系統不可「硬猜」，而必須主動觸發「熔斷機制」，停止自動生成，並發送警告通知醫師介入仲裁。

4. 人類在迴路中的絕對責任（Human-in-the-Loop & Accountability）

AI 可以擬定十種鑑別診斷、可以自動排版簡報、可以梳理複雜藥理機轉；但「決定採納哪一條路徑」的最終簽核權，永遠屬於具有專業執照的人類醫師。 演算法提供資訊支撐，臨床醫師承擔醫療責任。這條責任邊界，任何時候都不可模糊。

一般 AI 追求解放雙手，而醫療 AI 的治理，是為了確保在解放雙手的同時，我們的手依然穩穩握在方向盤上。

💡 六、走過三十年病房的沉澱：與臨床同儕分享的三個心法

走過三十餘年的胸腔重症臨床歲月，見證過無數醫療儀器與演算法的興衰起落。在親手組建並調校 AI 工作流、經歷無數次碰壁與撞牆後，我有三點發自內心的體悟想與大家分享：

第一，別把 AI 當成萬能神醫，也別把它當成單純實習生

面對 AI，容易走入兩個極端：要麼過度神化（以為它能獨立診斷治病），要麼過度貶低（看到兩次幻覺就嗤之以鼻斷言不能用）。

在加護病房裡，資深的臨床醫師懂得如何帶領剛進科的年輕住院醫師：交辦明確任務、提供標準 SOP、強制回報查核、隨時監督修正。對待 AI Agent 也是完全一樣的道理——它的產出品質，取決於我們的監督架構有多嚴謹。

第二，先有清楚的臨床思維，才有值得自動化的工作流

如果我們面對複雜病患時，腦中的鑑別診斷順序本就混亂、查文獻毫無章法，那麼就算給予最強大的 Multi-Agent 系統，也只會以極高速度產出大量結構漂亮的醫學廢話。

AI 放大的是我們的專業思考能力，而不是替我們思考。 臨床經驗、病理生理直覺、對病患幽微症狀的洞察，才是灌注給 Agent 靈魂的核心燃料。

第三，從今天開始，打造你的「外部數位大腦」

別再依賴每次重新打開 ChatGPT 的空對話框。開始嘗試把自己的教學思維、習慣的簡報架構、嚴選的經典文獻指引，轉化為結構化的筆記與提示範本。當開始累積屬於自己的工作流資產，我們就不再只是被科技浪潮推著走的追隨者，而是在數位時代擁有個人專屬智庫的高效臨床工作者。

❓ 七、寫在最後：你現在停在哪一個階段？

回頭看看桌面與瀏覽器分頁：

  • 我們現在使用 AI，是把它當成一個偶爾問問翻譯、查查資料的「進階版 Google 搜尋框」？
  • 還是已經開始嘗試用它處理數據、簡化重複操作的「小工具」？
  • 抑或是，已經開始思考，如何將自己多年累積的專科獨門知識，打造成具備嚴格治理、能自主協同運作的「專屬醫療 Agent 隊列」？

這不是一場工程師的技術競賽，這是一場每一位臨床醫師如何奪回時間自主權、放大專業影響力的工作方式革命。

未來的頂尖醫師，或許不一定是最會背指引的人，但一定是最懂得如何指揮 AI 團隊、同時守住醫療安全與倫理底線的卓越指揮官。

【臨床同儕交流與思考】

💬 聊聊你的臨床卡點：
在你目前的臨床、教學或研究日常中，哪一項重複性最高、最耗費心神的工作流程，是你最希望能交給專屬 AI 團隊接手的？
歡迎在下方留言或透過網站表單交流。在接下來的專題中，我們將透過真實臨床情境，逐步示範如何將這些痛點，解構成安全、可落地的醫療 Agent 工作流！

📚 參考文獻與實證出處（References）

  1. Topol, E. J. (2019). *High-performance medicine: the convergence of human and artificial intelligence.* Nature Medicine, 25(1), 44-56.
  2. Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). *AI in health and medicine.* Nature Medicine, 28(1), 31-38.
  3. Global Initiative for Asthma (GINA). (2025/2026 update). *Global Strategy for Asthma Management and Prevention: Difficult-to-treat & Severe Asthma Guide.*
  4. Moor, M., Banerjee, O., Abad, Z. S. H., et al. (2023). *Foundation models for generalist medical artificial intelligence.* Nature, 616(7956), 259-265.
  5. aidrchou.com 臨床 AI 實踐研究專題. (2026). *基於開源技術之醫療 Agentic Workflow 實踐藍圖.*