Drtoolbox Local Server (診所本地 AI 訓練與營運系統)

Drtoolbox 是一個專為診所設計的隱私優先 (Privacy-First) 本地 AI 系統。它不僅能精準回答醫療諮詢，更是一套整合了「高品質數據生產線」、「營運自動化」、「HIS 數據同步」與「BI 決策分析」的完整解決方案。

---

🚀 專案目前狀態：自主成長與智慧營運階段

本專案已成功實現「數據閉環 (Data Loop)」，系統具備自我進化與深度洞察能力：

• 高效 RAG 引擎 (SQLite FTS5)：從原先的 Python 記憶體線性掃描，重構升級為 SQLite FTS5 全文索引，搭配 BM25 檢索與 fine-grained N-gram 混合排序。將 3.1 GB 大體量醫學教科書的檢索延遲從 152+ 秒縮短至 14.06 秒 (效能提升 10 倍以上)，徹底解決 LINE Webhook 超時斷線。
• 模型與推理樹：採用本地 Qwen 模型，並在 SQLite 中快取 PageIndex 2.0 臨床推理樹，支援直接從磁碟 JSON 檔案快照遷移至資料庫，零 GPU/LLM 重建開銷。
• HIS 深度整合：支援本地或區域網路 (SMB) 的 HIS 資料庫 (.dbf) 自動同步，打通醫療數據孤島。
• 混合路由技術：導入 Dynamic Knowledge Fallback 機制，平衡診所專有數據與通用醫學知識。
• 全通路對接：支援 LINE 與 Messenger 串接，具備非同步處理機制與精美 Flex Message 介面。
• 行銷轉化追蹤：具備行銷漏斗追蹤功能，精準記錄 LINE 預約轉化數據。

---

🌟 核心功能描述 (Key Functions)

1. 🏥 HIS 資料庫與 CRM 整合

• 多模式同步：支援從本地路徑或 Windows 網路分享資料夾 (UNC) 提取 CO03L.DBF 資料。
• 自動網芳掃描：一鍵掃描區域網路中開放的 HIS 資料夾，免去繁瑣的 IP 與路徑輸入。
• 病患深度視圖：CRM 系統整合了 HIS 就診紀錄、對話歷史與 AI 風險評級。

2. 🚨 員工即時通知系統

• 紅旗症狀偵測：當病患提及「流血、劇痛、發燒、呼吸困難」等高風險字眼時，系統立即觸發警示。
• LINE 即時推送：透過 LINE Push API 將緊急警示發送給指定員工，確保 100% 人工及時介入。

3. 📈 行銷漏斗與轉化分析

• 智慧預約按鈕：LINE 行銷卡片整合 Postback 技術，追蹤每一筆「預約掛號」點擊行為。
• 轉化日誌：自動產出轉化數據報告，幫助診所衡量 AI 行銷方案的實際轉化效果 (ROI)。

4. 🤖 全自動夜間自我學習 (Nightly Self-Learning)

• 定期同步與重啟：每日凌晨自動重啟確保穩定，並同步 HIS 最新數據。
• 網實核查 (Fact-Check)：自動檢索聯網資料，校對前日 AI 的低信心度回覆。
• 模擬提問生成：針對新進醫療文件自動生成模擬 QA，由 AI 預擬初稿供醫師快速核閱。

5. 🧠 診所知識地圖與全域推理

• 視覺化知識圖譜：透過 D3.js 呈現 AI 腦中的邏輯關聯，點擊節點即可查看相關文獻。
• 跨文件邏輯鏈 (Global Reasoning)：分析不同文件間的協同或矛盾，產出全域臨床洞察。

---

🛠️ 部署與使用說明 (Deployment & Usage)

1. 新機器全新部署步驟 (New Machine Deployment)

若要在全新機器上部署本系統，請遵循以下步驟：

步驟 1：安裝系統層級依賴 (Prerequisites)

系統執行 RAG 圖文識別需要 OCR 以及底層的處理庫：

# Linux (Debian/Ubuntu)
sudo apt-get update
sudo apt-get install -y git python3-pip python3-venv sqlite3 tesseract-ocr tesseract-ocr-chi-tra

# 確保安裝 Docker（用於運行本地 LLM 推理容器）
sudo apt-get install -y docker.io

步驟 2：複製專案與初始化虛擬環境

git clone <repository_url> DrtoolboxLocalServer
cd DrtoolboxLocalServer

# 建立並啟用 Python 3 虛擬環境
python3 -m venv .venv
source .venv/bin/activate

# 安裝所有依賴套件
pip install --upgrade pip
pip install -r requirements.txt

步驟 3：部署本地 LLM 推理容器 (Qwen)

本系統的核心推理使用本地運行的 LLM 模型。請配置支援 OpenAI 相容 API 的推理伺服器（預設連接埠為 8080）：

# 示範：拉取並啟動包含 LLaMA 推理引擎的容器（名稱設為 llama-qwen）
# 請確保載入了合適的 Qwen-based 模型（如 Qwen2.5-7B-Instruct-GGUF）
docker run -d --name llama-qwen --gpus all -p 8080:8080 -v /path/to/models:/models ghcr.io/ggerganov/llama.cpp:server -m /models/qwen2.5-7b-instruct.Q4_K_M.gguf -c 8192 --host 0.0.0.0 --port 8080

步驟 4：設定環境變數 (.env)

配置根目錄下的 .env 檔案以確保 LINE Webhook 及本地推理管道暢通，主要設定包括：

# 核心伺服器配置
PORT=5000
LLAMA_URL=http://127.0.0.1:8080/v1/chat/completions

# 外部渠道對接 (LINE & Messenger)
LINE_CHANNEL_SECRET=your_line_channel_secret
LINE_CHANNEL_ACCESS_TOKEN=your_line_channel_access_token

# HIS 連線與數據庫位置
DB_PATH=data/db/clinic.db

步驟 5：建立必要目錄與資料庫初始化

# 建立存放 RAG 文件、日誌與 SQLite 資料庫的目錄
mkdir -p data/db data/documents/special data/documents/general logs

# 初始化 SQLite 數據庫並將現有 PageIndex JSON 結構遷移匯入
python scripts/migrate_json_to_db.py

步驟 6：生態系一鍵啟動 (推薦)

本系統包含多個關聯服務，請使用統一腳本啟動：

# 一鍵啟動 Main Server (5000), FileBrowser (8081), Hermes API (8642)
bash scripts/start_ecosystem.sh

---

2. 排程設定 (夜間自動化學習)

請安裝 crontab 以啟用夜間自動同步與學習機制：

crontab cron/crontab.txt

---

🛠️ 維護指令 (Maintenance)

任務 (Task)	指令 (Command)	說明 (Description)
數據量擴充	python scripts/expand_patient_data.py 50	生成 50 筆模擬病患資料用於測試。
網芳掃描	python scripts/scan_his_network.py	手動掃描區域網路中的 HIS 分享資料夾。
重整索引	bash scripts/ingest_all.sh	將所有文件重新轉換為 PageIndex 樹格式。
資料庫遷移	python scripts/migrate_json_to_db.py	將磁碟上的 PageIndex JSON 匯入 SQLite RAG 資料庫。

---

🛡️ 核心運作準則

1. 隱私第一：所有病患識別資料僅留存於本地 clinic.db。
2. 數據權威：醫師校正內容優先於原始文件。
3. 安全防線：偵測到危險症狀時，強制執行人工介入導向。