2026-06-16 · 線上 · 給每一科的臨床醫師
召喚一個會查證、
引擎可換的醫療 AI
agentic LLM：把不可信的聊天玩具，變成你自己的知識庫
王介立醫師
我是誰
我不是 AI 專家，
是用 AI 學本業的醫師
277
篇 FB 的 AI 軌跡，三年半 hands-on；2025 暴增到 121 篇，是質變年。
今天講的每條 pipeline，都是從日常臨床雜務長出來的，不是讀來的。
先拆一個誤會
「代理式」不等於
寫程式、買貴機、按量計費
兩條獨立的軸——月費也能全程 agentic（我主力＝Claude Code on Max）。
真正的差異化只有一個：你的知識庫在不在自己手上。
心法
工具要長在
既有需求上
1 AUDIT盤點已數位化的流程
2 拆解切成一步一步
3 一次一步挑一個交給 agent，有效再加
專注你最熟的事——不熟的領域，你連哪一步錯了都判斷不了。
幻覺
幻覺不是笨，是本質
next-word 統計
評測獎勵「猜」、懲罰「不知道」
同一題問三家，全編出不同答案、全不說不知道——像考生猜題。
所以查證不是多此一舉，是必要環節。
隨機性 · 現場 demo
AI 是隨機的——
隨機正是你的位置
同一句指令給 10 個人去問，拿回 10 份不同成品。誰判斷、誰選、誰改，才決定成品。
▶現場：彈珠台——確定的釘子，不確定的單顆
你是 AI 的編輯與審稿者。要馴服隨機，靠流程裡的 deterministic gate。
本質
LLM 的本質是「關聯」，
不是「因果」
它預測下一個 token，靠的是文字之間的 association（關聯）——不是現實世界的因果推論。
所以它寫出來的「因果」，是統計關聯的投影；判斷真正的因果，是你的事。
記憶在誰手上
AI 的記憶，
到底在誰手上？
Claude Code＝你的檔案櫃
本機檔案、近乎無限、git 版控、可攜
知識庫要在你手上。
鐵律
沒查庫的答案，
我不採信
查到附書、章、DOI
查不到明說「待查證」，不臆測
能誠實說不知道的 AI，比硬掰漂亮答案的可信得多。
資料格式
人讀 PDF，
agent 讀 md
source.pdf→ MinerU →raw.md（連圖都轉字）
沒翻，你的 PDF 書櫃對 agent 等於不存在；翻了，它才接得住你問的每一題。
擋假文獻
DOI 一對一＝
deterministic
叫它查（當場 curl Crossref），別信它背。在就真、404 就假。
LLM 存的是字詞關連性，不是維基百科；對 DOI／劑量／條文這種一字不漏才算對的字串，「對」只是巧合。同招推廣到 PubMed、OpenFDA。
交給程式
別叫 LLM「記得」，
要它寫程式
「以後每次都查」聽起來負責，其實會錯——隨機的東西總有一次會忘。
確定的事 → 程式（資料夾監看器自動查 DOI）模糊的判斷 → LLM
藥政 demo
同一個藥：
仿單核准 vs 健保給付
查本機台灣藥品庫並排，每個數字查得回原始條文——不上網、不靠記憶。
手機入口
丟一句話，
回一條連結
LINE／Slack／TG 都能當入口：傳一句，跑在你機器上的 agent 收到、查書架、回你一條整理好的連結。
它「像記得你」，不是平台魔法，是它跑你本機、被注入了你的記憶。
誠實的答案
該買什麼硬體？
別為「本地跑 AI」買貴機。我的主力＝一台 Mac mini M4。
① 你的資料② 一台可靠常開機③ 備份＋git
大腦（模型）租雲端最強的就好。
收尾
你真正擁有的，
是那座知識庫
自己控制 · 可查證 · 引擎可換。