从「对话工具」到「知识底座」：「知识胶囊」如何重构产品知识能力与医疗场景落地路径

会议: 产品力领航者大会 PM × AI · 2026 春季 | 讲者: 居斌（浙江数字医疗卫生技术研究院副院长，浙江大学人工智能博士，20+ 年医疗与医药软件开发经验） | 时间: 2026-04-24 下午 · AI 重塑 ToB 产业应用分会场

一句话总结

医疗 AI 产品要走出 RAG”翻书模式”的瓶颈（语义鸿沟、知识库不一致、多轮对话失忆），必须把领域知识结构化、参数化、模块化封装为「知识胶囊」（Knowledge Capsules / KVI 框架），让知识直接进入模型 Attention 计算成为”肌肉记忆”，并以高频高价值科室为切入点构建胶囊市场，未来 AI 医疗的护城河不在模型大，而在「胶囊深、胶囊快、胶囊可组合」。

速览

1. 产品三大范式同时切换——交互范式（你点我做 → 你说我做）/ 能力范式（确定性输出 → 生成式智能）/ 开发范式（编写逻辑 → 编排智能）。
2. PM 职能跃迁：从流程编排到心智内化——AI Native PM 管理的是「模型心智」，核心资产从结构化数据变为非结构化行业知识 + 概率性推理能力 + 垂直领域权重。
3. 中国医疗 AI 的不可能三角——高质量（Clinical Grade）+ 低成本（ROI Positive）+ 高可及（Scaling），传统 SFT 与 RAG 都解不开，必须找新范式。
4. 两个标杆案例的两条路径——蚂蚁阿福（To-C 中国大众健康，3,000 万+ 月活）vs OpenEvidence（To-D 全球医生循证决策，76 万+ 注册医生 / 美国 40%+ 执业医师 / 估值 120 亿美元）。
5. 从两个标杆得出 4 个结构性启示——用户分层决定一切 / 数据合规是护城河 / 商业模式取决于支付方 / 架构趋势从 RAG 向深度融合演进。
6. RAG 范式的 3 个瓶颈——患者「家常话」vs 知识库「学术词」（语义鸿沟）/ 同一疾病多个「标准答案」（知识库不一致）/ 多轮对话「记不住」（无短期记忆）。
7. 知识胶囊核心思想：从”翻书”到”肌肉记忆”——把知识压缩为 attention-compatible 的 Key-Value 单元，直接参与模型推理；像 App 一样按需加载 + 热替换，无需重训。
8. KVI 三步框架——结构化抽取 → 胶囊化压缩 → External KVI 注入；论文实验中 KVI 在多项 QA 基准（含长上下文、多跳）上持续优于 RAG 与 GraphRAG。
9. 医疗胶囊市场启动：高频高价值科室切入 + 共建 + 市场化运营——从循证指南、药物相互作用、医保规则、科室亚专业、口语-术语映射等胶囊起步。
10. 三层竞争力模型——基础层（通用 LLM 同质化）/ 中间层（知识资产胶囊库 = 真正护城河）/ 应用层（场景理解与交互 = PM 主战场）。

核心内容

Module 1：大模型驱动产品范式变革

范式转移：从「你点我做」到「你说我做」——交互的核心从”操作路径设计”转向”意图识别与执行”：

• 传统 GUI · 指令驱动：层层递进（插入 → 图表 → 柱状图 → 选择数据 → 调整颜色）/ 机械操作（手动筛选、排序、编写复杂公式）；
• 大模型驱动 · 意图理解：自然语言（“帮我做一个过去三个月的销售柱状图，按产品分类”）/ 智能执行（“找出上季度复购率最高的前 10 个客户”）。

能力范式：从「确定性输出」到「生成式智能」——产品的能力边界从”预设功能”扩展为”动态推理与创造”：

• 旧能力：存储与计算——输入 A 必得 B，逻辑精确但僵化，只能处理预先定义好的场景，无法应对未知变化；
• 新能力：理解与生成——模型基于海量数据和上下文进行推理，输出结果具有创造性、灵活性和强适应性；
• 产品设计逻辑转变——从”提供功能列表”转向”完成用户目标”；从”用户自行判断”转向”系统辅助决策”；
• 风险提示——新能力伴随幻觉、偏见、安全边界模糊等风险，需通过引入专业知识库、人工复核确认、严格权限控制等机制来规避。

开发范式：从「编写逻辑」到「编排智能」——产品研发的核心工作从写 if-else 代码，转向设计提示词、评估模型输出和编排智能体（Agent）：

• 传统开发（Code-First）：流程为需求分析 → 编写代码 → 测试验证 → 版本发布。痛点：逻辑固化在代码中，业务变更需修改代码并重新发版，迭代周期长；
• 模型驱动开发（Model-Driven）：流程为需求定义 → 设计提示词 → 编排工具 → 评估输出 → 迭代上下文。优势：逻辑在提示词与上下文中，变更即改即用，支持业务逻辑的实时敏捷迭代。

PM 职能跃迁：从「流程编排」到「心智内化」——过去的 PM 在管理「用户路径」，AI 时代的 PM 在管理「模型心智」：

从「翻译流程」到「塑造智能」——这是产品经理职能的根本性跃迁。

小结：软件产品从「工具」到「交付者」的跃迁：

1. 规模产生质变——参数突破千亿后，涌现出理解、推理、上下文学习等非预设能力，实现质的飞跃；
2. 从指令到意图——用户不再需要学习复杂的软件语法，模型能直接理解自然语言背后的真实业务目标；
3. 从固定到生成——输出不再局限于预设的选项列表，而是基于输入动态创造全新的文本、代码或图像内容。

PPT 引用了钉钉 CEO 无招的观点：“软件已经进入”日抛""。

Module 2：医疗 AI 应用现状与挑战

中国医疗 AI 的「生死命题」：挑战不可能三角：

三座大山：

• 强监管——容错率几乎为零，要求模型具备「临床级确定性」；
• 公立三甲主导——顶级专家资源垄断，优质服务难以下沉；
• 医保单一支付——DRG/DIP 改革下，非确定性效率提升难商业化。

破局点 · 技术维度：

• ❌ 传统微调 SFT：成本高、易遗忘；
• ❌ RAG 外挂检索：难以保证复杂临床逻辑严密性；
• → 寻找新范式：低成本注入专家私有知识 + 模型内化保证高质量。

唯有通过「知识的低成本、高精度内化」，才能解开中国医疗生态的死结。

医疗 AI 的「标配」：RAG 成为临床知识外挂「大脑」——准确性与实时性高要求下，RAG 凭借外部知识库调用能力成为大模型落地医疗的首选架构：

RAG 工作范式：提问 → 向量检索 → 拼接上下文 → LLM 生成 → 带引用的答案。

Module 3：主流 AI 医疗产品分析

医疗 AI 案例解构：蚂蚁阿福 × OpenEvidence——一个深耕中国 C 端「大众健康」，一个锁定全球 D 端「循证决策」，两种完全不同的技术-业务对齐路径。

蚂蚁阿福（To-C · China · Health Companion）：

• 3,000 万+ 月活用户（2026 年 1 月）；
• 5,000+ 合作医院接入挂号、医保、咨询闭环；
• 目标用户：面向 C 端大众消费者，尤其强调三线及以下城市用户、老年人、家庭用户，以及优质医疗资源相对匮乏的下沉市场人群；挂号就医/医保缴费/健康咨询/健康管理场景打通，形成就医和健康管理服务闭环；
• 目标用户三类：① 慢病长者（高血压/糖尿病/慢阻肺；用药查询、复诊提醒、家属代管）；② 年轻家庭（儿童发热、亚健康咨询、体检解读、健康档案）；③ 医保/就医用户（通过支付宝流量入口完成挂号-就医-支付-报销-诊后管理的全程就医实时路径及实时服务）；
• 核心产品能力：① 健康咨询（多模态提问、AI 诊室主动追问、医学报告解读、皮肤病识别）；② 就医服务（线上链接 30 万真人医生、500+ 名医分身；线下智能生成全程就医时路径、语音交互申请医生一站式智慧服务；支付打通医保直付和商保直赔）；③ 健康陪伴（家庭健康档案 = 父母/子女健康管理；智能穿戴设备接入）；④ 健康管理（用药提醒、健康目标追踪、AI 教练）；
• AI 核心技术：专业垂类大模型（多模态：千亿级参数视觉语言识别，与迪安诊断等机构共建 AI 报告生成系统；专业性：依托浙江国家医疗人工智能基地提供模型支持，训练语料超万亿，专注于不同临床子专科的专有 AI 模型，并接入中华医学会杂志等知识库；安全性：隐私安全 = 医疗可信云、密态计算数据可用不可见，算力支持 = 医疗可信、一体机训推一体、国产算力软硬件加速；主动对话 Agent：更懂用户，通过”主动追问”功能实现多轮对话提升回答精准性）；
• 蚂蚁模型基础能力三件套：算力（万卡集群）+ 安全力（蚁天鉴一大模型安全一体化解决方案）+ 知识力（千亿级训练语料）；
• AI 核心技术总结：主动追问对话 Agent + 多模态（图文、语音、视频）+ 知识图谱+万亿级训练语料；
• 【潜在】商业模式：目前处于用户规模扩张阶段，暂未明确盈利模式，明确无广告和商业排名。
  • 医药服务（C）：结合好大夫医生生态和阿里医药生态，实现用户从咨询到就医、购药、管理服务的付费转化；
  • 会员订阅（C）：蚂蚁阿福通过”AI 陪伴”模式将传统低频就医场景转化为高频健康管理需求，实现从咨询、就医、购药到理疗的一站式会员服务；
  • 健康险导流（医+药+险闭环）（B）：依托支付宝生态，打通”医保直付+商保直赔”金融服务，构建从健康咨询 > 购药 > 理疗的全链路数字化闭环；
  • 核心逻辑：以流量免费起量 → 健康档案沉淀 → 医药 + 会员 + B 端三层变现。

OpenEvidence（To-Doctor · Global · Clinical Copilot）：

• 76 万+ 注册医生（约 40%+ 全美执业医师已使用）；
• 市值 120 亿美元；
• 专注 B 端/专业端，服务对象为经过身份验证的执业医生、护士及医疗专业人员，覆盖全美超 10,000 家医院和医疗中心；为医生提供具备「证据链」的决策支持，突破模型预训练记忆的时效性与准确性限制；
• 目标用户三类（全球 D 端医生 · NPI 实名 · 仅限专业人士）：① 一线临床医生（需要快速查询最新指南、RCT 证据；为床旁决策服务）；② 住院医/医学生（替代碎片化 UpToDate / PubMed 查询，学习式问答）；③ 专科医生与研究者（疑难病多跳推理；深度综述 DeepConsult 代替文献综述）；
• 准入门槛：NPI 号码 / 医师执照验证 · 确保每一位用户都是「持证专业人士」；
• 核心产品能力：① 循证问答（每条结论附 PubMed 级引用，可一键跳转原文）；② DeepConsult Agent（多研究文献深度推理，AI 智能体专为临床决策设计，免费向认证医生开放）；③ 证据实时更新（指南 / RCT 每日入库，检索 3500 万篇同行评审论文，5-10 秒内返回带引用的循证答案）；④ 工作流集成（与 EMR、UpToDate 并行，不打断诊疗节奏）；
• AI 核心技术：多模型融合 + 实时神经检索 + Agentic DeepConsult：

★ 关键差异化：把「引用链」当作一等公民，生成即带证据，天然抗幻觉。

• 商业模式：医生免费 + 药企/医疗器械付费广告：

核心逻辑：把「医生注意力」变成最稀缺的广告资产——零订阅 → 规模 → 高 CPM。

从两个标杆看整个 AI 医疗行业：四个结构性启示：

四个结构性启示：

1. 用户分层决定一切——C 端要「陪伴感 + 合规围栏」，D 端要「证据链 + 专业深度」；没有「通吃」的医疗 AI；
2. 数据合规是护城河——NPI 验证、围栏提示、引用溯源——合规不是约束，而是 AI 医疗赢得信任的产品形态；
3. 商业模式取决于支付方——C 端依赖「流量生态 + 会员」；D 端依赖「药企营销预算」——谁为知识付费，决定产品形态；
4. 架构趋势：从 RAG 向深度融合演进——两家都在突破「拼接式 RAG」：或用 Multi-Agent 编排，或用 Agentic DeepConsult——方向都指向「知识与模型融合」。

Module 4：「知识外挂」RAG 范式的瓶颈

瓶颈一：患者的「家常话」 vs 知识库的「学术词」

核心痛点：患者描述症状时使用生活化口语，而医学知识库存储的是高度标准化的专业术语，导致向量检索无法在语义空间中有效对齐。

举例：

• 患者口语化表达：“这两天总觉得胸口闷闷的，像压了块大石头一样，活动量大一点就有点喘不上气…”；
• 医学知识库标准术语：胸闷、胸骨后压榨感、劳力性心绞痛、呼吸困难、心肌缺血体征……
• RAG 检索失效结果：因无法将”压了块石头”映射到”压榨感”，向量召回片段缺失或相关性极低，无法辅助诊断。

语义鸿沟产生的根本原因：① 口语与医学本体存在天然语义断层；② 通用向量模型对医学长尾口语理解不足；③ 知识库缺乏显式的”口语-术语”映射层。

瓶颈二：同一疾病，多个「标准答案」

核心洞察：知识库的”不一致性”——医学知识库中充斥着版本差异、科室用药偏好、专家共识分歧，传统 RAG 无法有效处理这些逻辑冲突，导致回答失效。

举例：

• 医生提问：65 岁高血压合并糖尿病，首选降压药？
• 知识库召回：指南推荐 ACEI/ARB，专家共识推荐 CCB，说明书提示 ACEI 禁忌；
• ❌ RAG 结果：输出”视患者具体情况而定”，无法给出明确的用药建议。

冲突来源三类：① 专家经验（临床指南有模棱两可地方，对同一病症的专家经验有习惯差异）；② 生活质量需求（需长期治疗者，口服方案更具优势）；③ 经济因素（官方指南、治疗方案与患者经济承担能力之间的博弈）。

瓶颈三：RAG「记不住」多轮对话中的动态信息

核心痛点：“失忆”的检索机制——RAG 每次检索都是”重新开始”，无法有效利用同一患者在多轮问诊中持续产生的上下文信息。

场景还原：糖尿病患者连续 4 周问诊：

• 行为：每次提问都重新检索静态知识库，前三周的动态信息被”遗忘”；
• 结果：模型不知患者已自行减药，只能机械回答”请遵医嘱”，无针对性。

机制缺陷：

• 无”短期记忆”能力——每轮检索相互独立，无法建立会话内的信息关联；
• 数据壁垒：动态信息难入静态库——病程变化是动态的，无法实时同步到静态的知识库中。

PPT 引用 HippoRAG 2: From RAG to Memory（公众号 agiled）作为业界对此问题的探索。

Module 5：「知识胶囊」：让知识进入模型计算核心

什么是「知识胶囊」：从「翻书」到「肌肉记忆」

将领域知识结构化、参数化、模块化地封装，使其直接参与模型 Attention 计算。

三个核心机制：

• 结构化封装——从语料中抽取归一化的关系型知识单元；
• 参数化注入——编码为 attention-compatible 的 Key-Value；
• 可插拔组合——按需加载 + 热替换，知识像 App 一样管理。

技术原理：KVI 框架——让知识直接参与 Attention 计算

把胶囊编译进模型的注意力机制。论文：Knowledge Capsules: Structured Nonparametric Memory Units for LLMs（Bin Ju, Shenheng Weng, Danying Zhou, Kunkai Su；浙江大学 / MiniMax / 中新中以联合实验室）。

KVI（Knowledge Vector Injection）三步骤：

1. STEP 1 结构化抽取——从指南、文献、病例中抽取归一化的 relational knowledge units（冻结底座模型完成）；
2. STEP 2 胶囊化压缩——将知识单元编译为 attention-compatible 的 Key-Value 表征，封装成可管理、可版本化的胶囊；
3. STEP 3 External KVI 注入——推理时按需加载胶囊，Key-Value 直接参与 Attention 计算——知识级集成替代上下文级拼接。

代码地址：https://github.com/jubin76/KVI

能力对比：知识胶囊 vs RAG——RAG 解决「AI 不知道」；知识胶囊解决「AI 不会用」。

在论文实验中，KVI 范式在多项 QA 基准（含长上下文、多跳）上持续优于 RAG 与 GraphRAG，且无需参数更新。

医疗场景落地：从「单胶囊」到「胶囊市场」

以高频高价值科室切入，共建 + 市场化运营，形成可持续的知识资产体系。

医疗知识胶囊库示例：

• 循证指南胶囊：心内、肿瘤、内分泌……；
• 药物相互作用胶囊：DDI + 禁忌识别；
• 医保规则胶囊：DRG/DIP + 控费；
• 科室亚专业胶囊：房颤 / 糖尿病 / AKI；
• 口语-术语映射胶囊：解决语义鸿沟。

三步走策略：

1. 切入：高频高价值科室——选择心内、肿瘤、内分泌等，高循证依赖 + 高错误代价 + 明确付费方；
2. 共建：与医院 / 学会协作——和三甲专家共建胶囊内容，解决数据壁垒与专业深度，胶囊 IP 归属与分润清晰；
3. 市场化：胶囊市场 + 平台生态——开放胶囊标准，第三方可贡献专业胶囊；平台抽佣 + 医院订阅，形成正反馈。

Module 6：未来 AI 医疗产品的核心竞争力

三层竞争力模型 & 给 PM 的三条行动建议

产品经理的战场：从「功能差异化」升级到「知识资产差异化」。

应用层
场景理解与交互 · PM 主战场
─────────────────────────
中间层 · 知识资产胶囊库 ★ 真正的护城河
私有知识参数化密度 · 决策确定性 · 更新 ROI
─────────────────────────
基础层
通用 LLM 模型能力 · 正在同质化

未来 AI 医疗产品的竞争不在「谁的模型大」，而在「谁的胶囊深、胶囊快、胶囊可组合」。

给 PM 的三条行动建议：

1. 知识即产品——把「领域知识的结构化 + 胶囊化」写进产品路线图，与功能需求同等优先级；
2. 领域即壁垒——深耕一个场景，胜过浅做十个——胶囊深度正比于垂直深度；
3. 胶囊即资产——建立胶囊的版本管理、评估体系、商业模式——像代码资产一样经营知识。

关键金句

「未来 AI 医疗产品的竞争不在『谁的模型大』，而在『谁的胶囊深、胶囊快、胶囊可组合』。」——居斌

「过去的 PM 在管理『用户路径』，AI 时代的 PM 在管理『模型心智』。」——居斌

「RAG 解决『AI 不知道』；知识胶囊解决『AI 不会用』。」——居斌

「合规不是约束，而是 AI 医疗赢得信任的产品形态。」——居斌（结构性启示二）

「软件已经进入”日抛”。」——无招（钉钉 CEO，被 PPT 引用）

可行建议

• 把”领域知识的结构化 + 胶囊化”列入产品路线图，和功能需求同优先级；
• 深耕一个高频高价值场景（心内/肿瘤/内分泌等），不要浅做十个；
• 建立胶囊的版本管理、评估体系、商业模式——把知识当代码资产经营；
• 做医疗 AI 必须先回答：用户分层（C 端要陪伴/合规围栏，D 端要证据链/专业深度）、合规链路（NPI 验证/围栏提示/引用溯源）、支付方画像（流量+会员 vs 药企营销预算）；
• 突破 RAG 三大瓶颈的工程化思路：
  • 解决语义鸿沟：建口语-术语映射胶囊；
  • 解决知识库不一致：用胶囊带版本号 + 优先级调度；
  • 解决多轮失忆：引入 HippoRAG 类的”短期记忆”机制 + 患者会话内动态胶囊；
• KVI 论文 & 代码：Knowledge Capsules: Structured Nonparametric Memory Units for LLMs，https://github.com/jubin76/KVI

关键数据/案例索引

核心产品/品牌：

• 蚂蚁阿福（支付宝旗下医疗 AI 助手）
• OpenEvidence（美国医生循证决策 Copilot）
• 浙江数字医疗卫生技术研究院
• 浙江国家医疗人工智能基地
• 蚁天鉴（蚂蚁大模型安全一体化解决方案）
• 钉钉（无招引用）
• HippoRAG 2: From RAG to Memory（公众号 agiled）
• 迪安诊断（蚂蚁阿福 AI 报告生成系统合作方）
• 中华医学会杂志社、好大夫医生生态、阿里医药生态

关键数字：

• 蚂蚁阿福 3,000 万+ 月活（2026 年 1 月）、5,000+ 合作医院、30 万真人医生、500+ 名医分身
• OpenEvidence 76 万+ 注册医生、约 40%+ 全美执业医师、覆盖全美超 10,000 家医院、市值 120 亿美元、35,000+ 期刊、检索 3,500 万篇论文、5-10 秒返回带引用循证答案
• OpenEvidence 商业：Pharma Ads CPM $70-$1,000+、>$100M ARR (2025)、Sponsored Content $150M+ ARR (2026 E)、Enterprise $12B 估值
• 蚂蚁阿福训练语料 > 万亿、参数千亿级
• KVI 论文实验：在多项 QA 基准（含长上下文、多跳）上持续优于 RAG 与 GraphRAG，无需参数更新

核心技术名词：

• KVI（Knowledge Vector Injection）框架
• Knowledge Capsules（知识胶囊）
• Key-Value 注入、Attention 计算
• RAG（Retrieval Augmented Generation）
• GraphRAG
• Multi-Agent + Prompt Fence
• Agentic DeepConsult
• 实时神经检索
• HippoRAG 2
• CDSS（临床决策支持）
• EMR（电子病历）
• DDI（药物相互作用）
• DRG/DIP（医保支付改革）
• NPI（美国国家医疗服务提供者识别号）
• SFT（Supervised Fine-Tuning）
• RLHF（基于人类反馈的强化学习）

模型供应商：GPT、Claude、Gemini（OpenEvidence 多模型融合）；蚂蚁专业垂类大模型（千亿级参数）

论文/代码：

• Knowledge Capsules: Structured Nonparametric Memory Units for LLMs（作者：Bin Ju、Shenheng Weng、Danying Zhou、Kunkai Su；机构：浙江大学 / MiniMax / 中新中以联合实验室）
• 代码：https://github.com/jubin76/KVI

讲者背景：

• 浙江大学人工智能博士、高级工程师
• 中华医学会数字医学分会委员
• 浙江省人工智能发展专家委员会医疗健康大数据专项小组成员
• 浙江省卫生信息协会医疗大数据与人工智能专委会委员
• 20+ 年医疗与医药软件开发经验
• 浙江省政府科学技术进步一等奖 1 项 / 二等奖 1 项
• 发表 21 篇 SCI、3 篇 EI，授权发明专利 10 项

胶囊库示例：循证指南 / 药物相互作用 / 医保规则 / 科室亚专业 / 口语-术语映射

5 阶段进化路径（无明确 L1-L5 定义，PPT 主要按”瓶颈 → 解法”组织，省略阶段化总结）

三层竞争力模型：基础层（通用 LLM）/ 中间层（知识资产胶囊库 = 护城河）/ 应用层（场景理解与交互 = PM 主战场）