做一个项目介绍:
这是一个面向养老护理场景的一体化业务系统智能化升级项目。
Java 侧负责老人档案、设备管理、告警处理、家属端/员工端业务流程，Python Agent 侧负责健康报告解读、护理知识检索、异常信息分析、护理建议生成和问答式辅助决策。
问1:怎么去降低大模型幻觉，输出混乱？
我没有让模型直接自由发挥，而是尽量让它先查库、再查知识库、再结合外部公开信息，最后再生成结论。也就是说，先取证据，再生成答案，这样比纯 Prompt 直出更可靠。
问2:传统业务系统和Agent服务的边界怎么划分？
业务系统擅长稳定流程、事务、权限和主数据管理，Agent 服务擅长自然语言任务拆解、知识检索和结果生成。难点在于两边不能互相侵入太深，否则很难维护。我采用的是“Java 承载业务主流程，Python 承载智能分析”的边界划分。
问3:你的分析助手是不是只是调了一个API？
不是简单调一个 API。调用模型接口只是底层能力，真正有价值的是我把它接进了养老业务场景：前面有业务上下文组织，中间有数据库查询、知识库检索和文件处理，后面还有实时回传、结果输出和业务页面落地，所以它本质上是一个智能分析链路，而不是输入一句话返回一句话的聊天接口。
问4:设备告警的难点是什么？
常见难点有三个：第一是规则和数据模型如何对齐；第二是如何避免重复告警、无效告警；第三是告警结果如何和设备、老人、位置等业务数据串起来，便于护理人员快速处理。
问5:设备告警和 Agent 到底怎么关联？
设备告警负责发现问题，Agent负责解决问题，理解问题，Agent 不是一个孤立的聊天窗口，它和设备告警链路是可以串起来的。设备告警模块负责先发现异常，Agent 模块负责在异常发生后做上下文补全、异常解释和护理建议生成。
