目录
说明
AI体检报告解读、病例小结或者类似的业务可以参考，完整DEMO不提供，只提供思路。
前言
在上家公司写过AI体检报告解读和AI精准就医推荐需求，不过那时候是调用分公司AI研发部的
API，估计他们也是调用大模型，后台使用的是JeecgBoot管理数据，例如你有这个权益卡，这个
权益卡包含这个服务你就可以使用这个服务。
这次自己对接千帆大模型使用OSS上传体检报告，apache.pdfbox识别pdf内容，设置号Prompt，
调用千帆大模型对体检报告进行分析。
需求
输入如下信息，提前准备好老人体检报告（PDF格式）点击确认按钮以后，会使用AI对老人的健康
报告进行评估。
下面是健康评估的详情页面，使用AI分析后的结果页，给了很多数据，可以让护理员或销售来查看
健康状况，进一步更好的服务老人或者给老人推荐一些护理服务。
流程说明
表结构说明
建表语句：
sql
CREATE TABLE "health_assessment" (
"id" bigint NOT NULL AUTO_INCREMENT COMMENT '主键',
"elder_name" varchar(255) DEFAULT NULL COMMENT '老人姓名',
"id_card" varchar(255) DEFAULT NULL COMMENT '身份证号',
"birth_date" datetime DEFAULT NULL COMMENT '出生日期',
"age" int DEFAULT NULL COMMENT '年龄',
"gender" int DEFAULT NULL COMMENT '性别(0:男，1:女)',
"health_score" varchar(255) DEFAULT NULL COMMENT '健康评分',
"risk_level" varchar(255) DEFAULT NULL COMMENT '严重危险(健康, 提示, 风险, 危险, 严重危险)',
"suggestion_for_admission" int DEFAULT NULL COMMENT '是否建议入住(0:建议，1:不建议)',
"nursing_level_name" varchar(255) DEFAULT NULL COMMENT '推荐护理等级',
"admission_status" int DEFAULT NULL COMMENT '入住情况(0:已入住，1:未入住)',
"total_check_date" varchar(64) DEFAULT NULL COMMENT '总检日期',
"physical_exam_institution" varchar(255) DEFAULT NULL COMMENT '体检机构',
"physical_report_url" varchar(255) DEFAULT NULL COMMENT '体检报告URL链接',
"assessment_time" datetime DEFAULT NULL COMMENT '评估时间',
"report_summary" text COMMENT '报告总结',
"disease_risk" text COMMENT '疾病风险',
"abnormal_analysis" text COMMENT '异常分析',
"system_score" varchar(255) DEFAULT NULL COMMENT '健康系统分值',
"create_by" varchar(255) DEFAULT NULL COMMENT '创建者',
"create_time" datetime DEFAULT NULL COMMENT '创建时间',
"update_by" varchar(255) DEFAULT NULL COMMENT '更新者',
"update_time" datetime DEFAULT NULL COMMENT '更新时间',
"remark" text COMMENT '备注',
PRIMARY KEY ("id")
) ENGINE=InnoDB AUTO_INCREMENT=7 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='健康评估表';
整体流程
- 上传PDF文件存储到OSS
- 读取PDF文件内容 存储到Redis key为身份证号 value为pdf识别内容
- 点击确定 根据身份证从Redis获取pdf识别内容
- 结合Prompt+pdf内容 调用大模型 返回JSON结果 接收
百度智能云
注册和实名认证
需要实名认证，不然大模型调用不了，实名认证自己认证一下。
创建应用
实名认证后，需要创建一个应用，获取到这个应用的API Key和Secret Key。
进入管理平台后，找到应用接入，创建新的应用，只有创建了应用，后面才能让大模型来绑定应用
使用。
输入应用的名称，和应用的描述点击确认即可。
获取到AppId、API Key、Secret Key后续项目中调用API需要用到。
费用说明
记得充钱！！！！ 调用大模型需要花费TOKEN TOKEN是需要钱的！！！！
充钱才能使你变的强大！！！
大模型API说明
我们的需求中，prompt是比较多的，低版本都不支持大量token使用，所以采用ERNIE-4.0-8K-
Preview。
官方地址：https://cloud.baidu.com/doc/WENXINWORKSHOP/s/nluv1jxlp
ERNIE 4.0是百度自研的旗舰级超大规模⼤语⾔模型，相较ERNIE 3.5实现了模型能力全面升级，
广泛适用于各领域复杂任务场景；支持自动对接百度搜索插件，保障问答信息时效，支持5K
tokens输入+2K tokens输出。
-
对话模型，一次请求就是一次对话
-
提供了java的sdk调用，地址：https://github.com/baidubce/bce-qianfan-sdk/tree/main/java
-
支持单轮对话、多轮对话、流式
-
部分关键的参数：
|-------------------|--------------|--------|--------------------------------------------------------------------------------------------------------------------|
| 名称 | 类型 | 必填 | 描述 |
| messages | List[dict] | 是 | 对话信息，messages": [ {"role": "user","content": "你好"}] message中的content总长度和system字段总内容不能超过20000个字符，且不能超过5120 tokens |
| model | string | 是 | 模型名称，用于指定平台支持预置服务的模型，说明：该字段为固定值ERNIE-4.0-8K-Preview（必须开通付费） |
| temperature | float | 否 | 大模型的采样参数， （1）较高的数值会使输出更加随机，而较低的数值会使其更加集中和确定 （2）默认0.8，范围 (0, 1.0]，不能为0 |
| max_output_tokens | int | 否 | 指定模型最大输出token数，说明： （1）如果设置此参数，范围[2, 2048] （2）如果不设置此参数，最大输出token数为1024 |
| response_format | string | 否 | 指定响应内容的格式，说明： （1）可选值： · json_object：以json格式返回，可能出现不满足效果情况 · text：以文本格式返回 （2）如果不填写参数response_format值，默认为text |
集成大模型
导入依赖：
XML
<dependency>
<groupId>com.baidubce</groupId>
<artifactId>qianfan</artifactId>
<version>0.1.1</version>
</dependency>编写一个main测试方法：
java
public class AIModelTest {
private static final String prompt = "你能帮我分析一份完整的体检报告吗？";
public static void main(String[] args) {
/**
* 第一个参数：认证类型，固定选择 Auth.TYPE_OAUTH
* 第二个参数：accessKeyId，从百度云控制台创建的应用里可以找到
* 第三个参数：accessKeySecret，从百度云控制台创建的应用里可以找到
*/
Qianfan qianfan = new Qianfan(Auth.TYPE_OAUTH, "xEO9h4cswlghfdfdUiYpkNt", "T68lkk7XuyfgfdgfdWtCQcFCVkd2HnZuKH");
ChatResponse response = qianfan.chatCompletion()
.model("ERNIE-4.0-8K-Preview") // 模型名称，要选择自己开通付费的模型
.addMessage("user", prompt) // 聊天内容，可以设置多个，每个消息包含role（角色，user表示用户，assistant表示模型），content（消息内容）
// .temperature(0.7) // 采样参数，取值范围(0,1]
// .maxOutputTokens(2000) // 模型输出最大长度，取值范围[2, 2048]
// .responseFormat("json_object") // 模型输出格式，取值范围：text（文本）、json_object（JSON对象）
.execute();
String result = response.getResult();
System.out.println(result);
}
}结果输出：
设计Prompt
设计之后的Prompt提示词，这里涉及了大量的专业名词和健康指标，实际开发中需要找产品经理
协助
请以一个专业医生的视角来分析这份体检报告，报告中包含了一些异常数据，我需要您对这些数据进行解读，并给出相应的健康建议。 体检内容如下： 内容略.... 要求： 1. 提取体检报告中的"总检日期 "； 2. 通过临床医学、疾病风险评估模型和数据智能分析，给该用户的风险等级和健康指数给出结果。风险等级分为：健康、提示、风险、危险、严重危险。健康指数 范围为0至100分； 3. 根据用户身体各项指标数据，详细说明该用户各项风险等级 的占比是多少，最多保留两位小数。结论格式：该用户健康占比20.00%，提示占比20.00%，风险占比20%，危险占比20%，严重危险占比20%； 4. 对于体检报告有异常数据 ，请列出（异常数据的结论、体检项目名称、检查结果、参考值、单位、异常解读、建议）这8字段。解读异常数据，解决这些数据可能代表的健康问题或风险。分析可能的原因，包括但不限于生活习惯、饮食习惯、遗传因素等。基于这些异常数据和可能的原因，请给出具体的健康建议，包括饮食调整、运动建议、生活方式改变以及是否需要进一步检查或治疗等。 结论格式：异常数据的结论：肥胖，体检项目名称：体重指数BMI，检查结果：29.2，参考值>24，单位：-。异常解读 ：体重超标包括超重与肥胖。体重指数（BMI）=体重（kg）/身⾼（m）的平⽅，BMI≥24为超重，BMI≥28为肥胖；男性腰围≥90cm和⼥性腰围≥85cm为腹型肥胖。体重超标是⼀种由多因素（如遗传、进⻝油脂较多、运动少、疾病等）引起的慢性代谢性疾病，尤其是肥胖，已经被世界卫⽣组织列为导致疾病负担的⼗⼤危险因素之⼀。AI建议 ：采取综合措施预防和控制体重，积极改变⽣活⽅式，宜低脂、低糖、⾼纤维素膳⻝，多⻝果蔬及菌藻类⻝物，增加有氧运动。若有相关疾病（如⾎脂异常、⾼⾎压、糖尿病等）应积极治疗。 5. 根据这个体检报告的内容，分别是给人体的8大系统打分 ，每项满分为100分，8大系统分别为：呼吸系统、消化系统、内分泌系统、免疫系统、循环系统、泌尿系统、运动系统、感官系统 6. 给体检报告做一个总结，总结格式：体检报告中尿蛋⽩、癌胚抗原、⾎沉、空腹⾎糖、总胆固醇、⽢油三酯、低密度脂蛋⽩胆固醇、⾎清载脂蛋⽩B、动脉硬化指数、⽩细胞、平均红细胞体积、平均⾎红蛋⽩共12项指标提示异常，尿液常规共1项指标处于临界值，⾎脂、⾎液常规、尿液常规、糖类抗原、⾎清酶类等共43项指标提示正常，综合这些临床指标和数据分析：肾脏、肝胆、⼼脑⾎管存在隐患，其中⼼脑⾎管有"⾼危"⻛险；肾脏部位有"中危"⻛险；肝胆部位有"低危"⻛险。 输出要求： 最后，将以上结果输出为JSON格式，不要包含其他的文字说明，所有的返回结果都是json，详细格式如下： { "totalCheckDate": "YYYY-MM-DD", "healthAssessment": { "riskLevel": "healthy/caution/risk/danger/severeDanger", "healthIndex": XX.XX }, "riskDistribution": { "healthy": XX.XX, "caution": XX.XX, "risk": XX.XX, "danger": XX.XX, "severeDanger": XX.XX }, "abnormalData": [ { "conclusion": "异常数据的结论", "examinationItem": "体检项目名称", "result": "检查结果", "referenceValue": "参考值", "unit": "单位", "interpret":"对于异常的结论进一步详细的说明", "advice":"针对于这一项的异常，给出一些健康的建议" } ], "systemScore": { "breathingSystem": XX, "digestiveSystem": XX, "endocrineSystem": XX, "immuneSystem": XX, "circulatorySystem": XX, "urinarySystem": XX, "motionSystem": XX, "senseSystem": XX }, "summarize": "体检报告的总结" }
上传体检报告
点击上传体检报告后，需要将体检报告上传到阿里云OSS然后返回OSS链接，同时识别PDF文件
内容存储到Redis，点击确认的时候，根据身份证号从Redis获取PDF内容，组合Prompt调用大模
型返回JSON数据接收。
读取PDF内容
使用Apache PDFBox来识别PDF内容。
导入依赖：
XML
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>2.0.24</version>
</dependency>创建一个PDFUtil工具类，接收一个文件输入流，读取PDF文件内容，返回String PDF内容。
java
public class PDFUtil {
public static String pdfToString(InputStream inputStream) {
PDDocument document = null;
try {
// 加载PDF文档
document = PDDocument.load(inputStream);
// 创建一个PDFTextStripper实例来提取文本
PDFTextStripper pdfStripper = new PDFTextStripper();
// 从PDF文档中提取文本
String text = pdfStripper.getText(document);
return text;
} catch (IOException e) {
e.printStackTrace();
} finally {
// 关闭PDF文档
if (document != null) {
try {
document.close();
inputStream.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
return null;
}
}测试：
java
public class PDFUtilTest {
public static void main(String[] args) throws FileNotFoundException {
FileInputStream fileInputStream = new FileInputStream("E:\\tmp\\体检报告-刘爱国-男-69岁.pdf");
String result = PDFUtil.pdfToString(fileInputStream);
System.out.println(result);
}
}功能实现
OSSAliyunFileStorageService是上传文件至OSS.
java
@Autowired
private OSSAliyunFileStorageService fileStorageService;
@Autowired
private RedisTemplate<String,String> redisTemplate;
/**
* 通用上传请求（单个）
*/
@ApiOperation("健康文档上传")
@PostMapping("/upload")
public AjaxResult uploadFile(MultipartFile file, String idCardNo) throws Exception
{
try{
//生成一个名字，保证不重复，唯一
String originalFilename = file.getOriginalFilename();
String fileName = UUID.randomUUID().toString() + originalFilename.substring(originalFilename.lastIndexOf("."));
String url = fileStorageService.store(fileName, file.getInputStream());
AjaxResult ajax = AjaxResult.success();
ajax.put("url", url);
ajax.put("fileName", url);
ajax.put("newFileName", FileUtils.getName(fileName));
ajax.put("originalFilename", file.getOriginalFilename());
//PDF文件内容读取为字符串
String content = PDFUtil.pdfToString(file.getInputStream());
//临时存储到redis中
redisTemplate.opsForHash().put("healthReport", idCardNo, content);
return ajax;
}catch (Exception e){
return AjaxResult.error(e.getMessage());
}
}智能评测
抽取大模型工具
application.yml定义配置：
java
baidu:
accessKey: xEO9h4csw9zWlUiYpkNt
secretKey: T67Xuyx9JoCQcFCVkd2HnZuKH
qianfanModel: ERNIE-4.0-8K-Preview定义properties类方便读取配置：
java
@Data
@Configuration
@ConfigurationProperties(prefix = "baidu")
public class BaiduAIProperties {
private String accessKey;
private String secretKey;
private String qianfanModel;
}模型工具类，传入组装好的Prompt，返回String JSON。
java
@Component
@Slf4j
public class AIModelInvoker {
@Autowired
private BaiduAIProperties baiduAIProperties;
public String qianfanInvoker(String prompt) {
System.out.println(prompt);
Qianfan qianfan = new Qianfan(Auth.TYPE_OAUTH, baiduAIProperties.getAccessKey(), baiduAIProperties.getSecretKey());
ChatResponse response = qianfan.chatCompletion()
.model(baiduAIProperties.getQianfanModel())
.addMessage("user", prompt)
.temperature(0.7)
.maxOutputTokens(2000)
.responseFormat("json_object")
.execute();
String result = response.getResult();
System.out.println(result);
return result;
}
}功能实现
根据大模型返回的结果数据，返回的是一个JSON，调用大模型的时候已经指定返回的格式是
JSON，然后提取JSON数据，根据返回的结果判断。
例如前端页面的柱状图、饼图数据这些都是模型返回，然后渲染的。
java
@Autowired
private AIModelInvoker aIModelInvoker;
/**
* 新增健康评估
*
* @param healthAssessmentDto 健康评估
* @return 结果
*/
@Override
public Long insertHealthAssessment(HealthAssessmentDto healthAssessmentDto) {
try {
//组装prompt，然后调用千帆大模型来分析数据
String prompt = getPrompt(healthAssessmentDto);
String result = aIModelInvoker.qianfanInvoker(prompt);
if (StringUtils.isEmpty(result)) {
throw new BaseException("AI分析失败");
}
//解析数据
HealthReportVo healthReportVo = JSONUtil.toBean(result, HealthReportVo.class);
//保存数据
Long id = insertHealthReport(healthReportVo, healthAssessmentDto);
return id;
} catch (BaseException e) {
throw new BaseException("AI分析失败");
}
}
/**
* 插入健康报告
*
* @param healthReportVo
* @return
*/
private Long insertHealthReport(HealthReportVo healthReportVo, HealthAssessmentDto healthAssessmentDto) {
HealthAssessment healthAssessment = new HealthAssessment();
//总检日期
healthAssessment.setTotalCheckDate(healthReportVo.getTotalCheckDate());
healthAssessment.setElderName(healthAssessmentDto.getElderName());
String idCard = healthAssessmentDto.getIdCard();
healthAssessment.setIdCard(idCard);
healthAssessment.setBirthDate(IDCardUtils.getBirthDateByIdCard(idCard));
healthAssessment.setAge(IDCardUtils.getAgeByIdCard(idCard));
healthAssessment.setGender(IDCardUtils.getGenderFromIdCard(idCard));
double healthScore = healthReportVo.getHealthAssessment().getHealthIndex();
healthAssessment.setHealthScore(String.valueOf(healthScore));
healthAssessment.setRiskLevel(healthReportVo.getHealthAssessment().getRiskLevel());
//是否建议入住
healthAssessment.setSuggestionForAdmission(getSuggestionForAdmission(healthScore));
healthAssessment.setNursingLevelName(getNursingLevelName(healthScore));
healthAssessment.setAdmissionStatus(0);
healthAssessment.setTotalCheckDate(healthReportVo.getTotalCheckDate());
healthAssessment.setPhysicalExamInstitution(healthAssessmentDto.getPhysicalExamInstitution());
healthAssessment.setPhysicalReportUrl(healthAssessmentDto.getPhysicalReportUrl());
healthAssessment.setAssessmentTime(LocalDateTime.now());
healthAssessment.setReportSummary(healthReportVo.getSummarize());
healthAssessment.setDiseaseRisk(JSONUtil.toJsonStr(healthReportVo.getRiskDistribution()));
healthAssessment.setAbnormalAnalysis(JSONUtil.toJsonStr(healthReportVo.getAbnormalData()));
healthAssessment.setSystemScore(JSONUtil.toJsonStr(healthReportVo.getSystemScore()));
save(healthAssessment);
return healthAssessment.getId();
}
/**
* 计算护理等级
*
* @param healthScore
* @return
*/
private String getNursingLevelName(double healthScore) {
//处理边界
if (healthScore < 0 || healthScore > 100) {
throw new IllegalArgumentException("健康评分必须在0到100之间");
}
if(healthScore >= 60 && healthScore < 70){
return "三级护理等级";
}else if (healthScore >= 70 && healthScore < 80){
return "二级护理等级";
}else if (healthScore >= 80 && healthScore < 90){
return "一级护理等级";
}else if (healthScore >= 90){
return "特级护理等级";
}
return "无";
}
/**
* 是否建议入住
*
* @param healthScore
* @return
*/
private Integer getSuggestionForAdmission(double healthScore) {
if (healthScore >= 60) {
return 0;
}
return 1;
}
@Autowired
private RedisTemplate<String, String> redisTemplate;
/**
* 获取prompt
*
* @param healthAssessmentDto
* @return
*/
private String getPrompt(HealthAssessmentDto healthAssessmentDto) {
//获取文件中的内容
String content = (String) redisTemplate.opsForHash().get("healthReport", healthAssessmentDto.getIdCard());
//判断是否为空
if (StringUtils.isEmpty(content)) {
throw new BaseException("文件提取内容失败，请重新上传提交报告");
}
String prompt = "请以一个专业医生的视角来分析这份体检报告，报告中包含了一些异常数据，我需要您对这些数据进行解读，并给出相应的健康建议。\n" +
"体检内容如下：\n" +
content + "\n" +
"\n" +
"要求：\n" +
"1. 提取体检报告中的"总检日期"；\n" +
"2. 通过临床医学、疾病风险评估模型和数据智能分析，给该用户的风险等级和健康指数给出结果。风险等级分为：健康、提示、风险、危险、严重危险。健康指数范围为0至100分；\n" +
"3. 根据用户身体各项指标数据，详细说明该用户各项风险等级的占比是多少，最多保留两位小数。结论格式：该用户健康占比20.00%，提示占比20.00%，风险占比20%，危险占比20%，严重危险占比20%；\n" +
"4. 对于体检报告有异常数据，请列出（异常数据的结论、体检项目名称、检查结果、参考值、单位、异常解读、建议）这8字段。解读异常数据，解决这些数据可能代表的健康问题或风险。分析可能的原因，包括但不限于生活习惯、饮食习惯、遗传因素等。基于这些异常数据和可能的原因，请给出具体的健康建议，包括饮食调整、运动建议、生活方式改变以及是否需要进一步检查或治疗等。\n" +
"结论格式：异常数据的结论：肥胖，体检项目名称：体重指数BMI，检查结果：29.2，参考值>24，单位：-。异常解读：体重超标包括超重与肥胖。体重指数（BMI）=体重（kg）/身⾼（m）的平⽅，BMI≥24为超重，BMI≥28为肥胖；男性腰围≥90cm和⼥性腰围≥85cm为腹型肥胖。体重超标是⼀种由多因素（如遗传、进⻝油脂较多、运动少、疾病等）引起的慢性代谢性疾病，尤其是肥胖，已经被世界卫⽣组织列为导致疾病负担的⼗⼤危险因素之⼀。AI建议：采取综合措施预防和控制体重，积极改变⽣活⽅式，宜低脂、低糖、⾼纤维素膳⻝，多⻝果蔬及菌藻类⻝物，增加有氧运动。若有相关疾病（如⾎脂异常、⾼⾎压、糖尿病等）应积极治疗。\n" +
"5. 根据这个体检报告的内容，分别是给人体的8大系统打分，每项满分为100分，8大系统分别为：呼吸系统、消化系统、内分泌系统、免疫系统、循环系统、泌尿系统、运动系统、感官系统\n" +
"6. 给体检报告做一个总结，总结格式：体检报告中尿蛋⽩、癌胚抗原、⾎沉、空腹⾎糖、总胆固醇、⽢油三酯、低密度脂蛋⽩胆固醇、⾎清载脂蛋⽩B、动脉硬化指数、⽩细胞、平均红细胞体积、平均⾎红蛋⽩共12项指标提示异常，尿液常规共1项指标处于临界值，⾎脂、⾎液常规、尿液常规、糖类抗原、⾎清酶类等共43项指标提示正常，综合这些临床指标和数据分析：肾脏、肝胆、⼼脑⾎管存在隐患，其中⼼脑⾎管有"⾼危"⻛险；肾脏部位有"中危"⻛险；肝胆部位有"低危"⻛险。\n" +
"\n" +
"输出要求：\n" +
"最后，将以上结果输出为JSON格式，不要包含其他的文字说明，所有的返回结果都是json，详细格式如下：\n" +
"\n" +
"{\n" +
" \"totalCheckDate\": \"YYYY-MM-DD\",\n" +
" \"healthAssessment\": {\n" +
" \"riskLevel\": \"healthy/caution/risk/danger/severeDanger\",\n" +
" \"healthIndex\": XX.XX\n" +
" },\n" +
" \"riskDistribution\": {\n" +
" \"healthy\": XX.XX,\n" +
" \"caution\": XX.XX,\n" +
" \"risk\": XX.XX,\n" +
" \"danger\": XX.XX,\n" +
" \"severeDanger\": XX.XX\n" +
" },\n" +
" \"abnormalData\": [\n" +
" {\n" +
" \"conclusion\": \"异常数据的结论\",\n" +
" \"examinationItem\": \"体检项目名称\",\n" +
" \"result\": \"检查结果\",\n" +
" \"referenceValue\": \"参考值\",\n" +
" \"unit\": \"单位\",\n" +
" \"interpret\":\"对于异常的结论进一步详细的说明\",\n" +
" \"advice\":\"针对于这一项的异常，给出一些健康的建议\"\n" +
" }\n" +
" ],\n" +
" \"systemScore\": {\n" +
" \"breathingSystem\": XX,\n" +
" \"digestiveSystem\": XX,\n" +
" \"endocrineSystem\": XX,\n" +
" \"immuneSystem\": XX,\n" +
" \"circulatorySystem\": XX,\n" +
" \"urinarySystem\": XX,\n" +
" \"motionSystem\": XX,\n" +
" \"senseSystem\": XX\n" +
" },\n" +
" \"summarize\": \"体检报告的总结\"\n" +
"}";
return prompt;
}总结
主要是设置好Prompt然后结合PDF内容调用大模型，然后返回JSON数据解析组装，好像一些大模
型直接使用OSS链接也可以，上传PDF后key为身份证号 value为PDF内容 （其实OSS链接也可
以）点击确认根据身份证号从Redis获取PDF内容，组装Prompt调用大模型，流程不复杂，理解了
其实就很容易，后续类似调用大模型需求也大概这种流程。