FDE W4D3 学习手册 · 特药理赔 Agent 主流程

W4 Week1 Day3 · A 级（必须掌握，面试核心）· 5h · 学完能完整画出特药理赔 Agent 主流程图、讲清各节点职责，并说清"编排 vs 复用、为什么不要重写工具"

一、业务背景与 Agent 定位

1.1 什么是特药理赔

"特药"指治疗恶性肿瘤等高费用疾病、需特殊审批的药品（如奥希替尼、CAR-T）。特药理赔是患者/代理人提交材料（诊断证明、处方、发票、保单）后，保险公司审核是否赔付、赔付多少的过程。金额大、规则严、合规要求高。

1.2 为什么用 Agent 而不是纯规则系统

• 材料格式不固定（图片/PDF/拍照），需要 OCR + 语义抽取，规则系统难覆盖。
• 判断是否赔付要结合"保单条款 + 药品目录 + 临床指南"，需要检索与推理。
• 高风险案件要人工介入，需要可中断、可恢复的流程。

二、主流程全景（10 个节点）

三、节点①~④：材料接入与解析

3.1 上传（①）与 OCR（②）

①接收文件并返回 file_id（存对象存储）。②调用 W2 已实现的 ocr_scan 工具识别，得到原始文本/字段。这是复用，不是重写——你的 Java OCR 微服务直接包成 @tool。

3.2 字段抽取（③）

用 LLM + 结构化输出（Day2 学的 JSON Schema）从 OCR 结果抽取 patient / drug_name / amount / diagnosis 等。低 Temperature + Pydantic 校验。

3.3 材料完整性检查（④）

纯逻辑节点：核对必备材料（诊断证明、处方、发票、保单）是否齐全，输出 missing 列表与 need_human 标记。不齐则条件边路由回"请补传"或直接转人工。

def check_completeness(state):
    required = ["diagnosis", "prescription", "invoice", "policy"]
    missing = [f for f in required if not state.get(f)]
    return {"missing": missing, "need_human": bool(missing)}

四、节点⑤：保单与知识库检索（RAG）

4.1 检索什么

• 保单：按 policy_no 查承保范围、免赔额、赔付比例（复用 W2 的 query_policy）。
• 特药目录 / 临床指南：用 W3 学到的 RAG 检索知识库，确认该药是否在目录、是否满足用药指征。

4.2 为什么是"检索"而非"让模型硬答"

条款和目录会更新，且必须可引用、可追溯——模型凭记忆答会幻觉。检索把"真实依据"喂给后续规则引擎与风险判断，是降低幻觉、满足合规的关键。

五、节点⑥：规则引擎校验

5.1 做什么

把"抽取字段 + 检索到的保单/目录"喂给 W2 已有的规则引擎，判断是否满足赔付条件：药品在目录内？用量符合指南？金额在额度内？免赔后比例正确？

5.2 为什么用规则引擎而非纯 LLM

赔付金额、比例这些必须精确、可解释、可复算，不能靠模型"感觉"。规则引擎是确定性计算，结果稳定、可审计。模型只负责"前面的抽取和后面的判断"，中间的硬计算交给规则引擎。

六、节点⑦：风险等级判断

6.1 输入与输出

综合"抽取信息 + 检索依据 + 规则结果"由 LLM 给出 risk_level ∈ {low, medium, high}。这是模型发挥"综合判断"的地方（Agent 部分）。

6.2 判定维度（示例）

七、节点⑧：人工审批（HITL）

7.1 实现

risk_level == high 时，条件边路由到 human_approve 节点，内部 interrupt() 暂停（W4D2 学的）。审核员在后台系统看到案件（含依据引用）后点"批准/驳回/补材料"，前端用 Command(resume=决策) 同 thread_id 唤醒图继续。

7.2 要点

• 可审计：Checkpointer 留痕谁、何时、批了什么。
• 超时升级：长时间未批自动升级上级或转工单。
• 降级：审核员不在线可挂起不丢状态，或转应急通道。

八、节点⑨~⑩：结论生成与结果回写

8.1 结论生成（⑨）

LLM 汇总"抽取字段 + 检索依据 + 规则结果 + 审批结论"生成最终赔付结论与理由（结构化 + 自然语言），必须带引用（哪条规则、哪条指南支撑）。

8.2 结果回写（⑩）

复用 W2 的 DB 写工具：把结论、金额、依据写回理赔系统，并触发通知（短信/App）。这是复用，不是新写——你的 Java 理赔落库服务包成 @tool。

九、编排 vs 复用：为什么不要重写工具

十、实战：用 LangGraph 编排这条主流程

builder = StateGraph(ClaimState)
# 复用 W2 工具 / W3 知识库 包成的 @tool
builder.add_node("upload", upload_node)
builder.add_node("ocr", ToolNode([ocr_scan]))          # 复用 W2
builder.add_node("extract", extract_node)              # LLM 抽取
builder.add_node("completeness", check_completeness)   # 纯逻辑
builder.add_node("retrieve", ToolNode([query_policy, rag_search]))  # 复用 W2+W3
builder.add_node("rule_check", ToolNode([rule_engine]))# 复用 W2 规则
builder.add_node("risk_judge", risk_judge_node)        # LLM 决策
builder.add_node("human_approve", human_approve)       # W4D2 interrupt
builder.add_node("conclude", conclude_node)            # LLM 结论
builder.add_node("writeback", ToolNode([save_claim]))  # 复用 W2 DB

builder.add_edge(START, "upload")
builder.add_edge("upload", "ocr")
builder.add_edge("ocr", "extract")
builder.add_edge("extract", "completeness")
builder.add_conditional_edges("completeness",
    lambda s: "retrieve" if not s["need_human"] else "human_approve",
    {"retrieve":"retrieve", "human_approve":"human_approve"})
builder.add_edge("retrieve", "rule_check")
builder.add_edge("rule_check", "risk_judge")
builder.add_conditional_edges("risk_judge",
    lambda s: "human_approve" if s["risk_level"]=="high" else "conclude",
    {"human_approve":"human_approve", "conclude":"conclude"})
builder.add_edge("human_approve", "conclude")
builder.add_edge("conclude", "writeback")
builder.add_edge("writeback", END)

graph = builder.compile(checkpointer=PostgresSaver(...))  # 持久化+可中断

十一、特药理赔主流程高频易错点

十二、学习资源（中文 / 非 OpenAI）

十三、面试达标线①：画出主流程图与各节点职责

十四、面试达标线②：编排 vs 复用，为什么不要重写

十五、W4D3 自测清单

十六、高频面试题速记卡