医生开始自己造AI工具，专业场景正在重写智能体的入口

南方医院的医生开始自己“造”AI工具了。谢迪医生用自然语言在十天内完成aHUS罕见病诊断智能体，霍智锋把产科急危重症训练系统做出来，刘红艳团队搁置十年的肝癌MDT构想也终于有了落地路径。它们共同指向一个变化：AI产品的起点正在从技术团队的演示，转向一线专业人员每天遇到的具体问题。

这不是又一个聊天机器人接入医院的故事。医生不再只是输入问题、等待答案，而是开始定义需要哪些资料、怎样组织判断、在哪个环节提醒风险，以及结果应该由谁复核。与此同时，设计师开始要求图片可以直接改字和拖动图层，用户也在尝试让AI角色拥有记忆、关系和持续互动。AI正在从“会回答”进入“能被专业用户塑造成工具”的阶段。

医生成为工具建造者

南方医院与华为合作的HAIP平台，把AI工具的构建门槛压到了自然语言层。临床医生不必先学习复杂的模型训练、工作流编排或软件开发，就可以围绕病例、指南和科室流程描述需求，再把这些需求组织成可使用的智能体。aHUS这样的罕见病诊断场景，最需要的不是一个泛泛而谈的问答框，而是能够按照临床思路整理线索、提示鉴别方向并帮助医生复核证据的辅助工具。

这种变化的价值在于，真正懂业务的人终于可以参与定义工具。过去，医院提出需求后，技术团队需要反复访谈、拆解流程、等待开发，再由医生试用和修改，周期长且容易在交付过程中丢失细节。自然语言和低代码平台缩短了中间链路，让医生可以更快把“我在什么情况下需要什么提醒”变成可测试的工作流。

零代码不等于零责任

临床人员能够自己搭建AI工具，并不意味着系统可以绕过专业审核。医疗场景中的诊断建议、急危重症训练和多学科会诊，都涉及证据来源、适用边界和责任归属。一个工具可以帮助医生整理信息，却不能把概率判断包装成确定结论；可以提示遗漏，也必须允许医生查看依据、修改结果和拒绝执行。

因此，专业AI平台真正要解决的不只是“能不能做出来”，还包括版本管理、数据权限、操作留痕和效果评估。医院需要知道某个智能体使用了哪套知识库、谁修改了提示与规则、它在什么病例上给出过什么建议。只有把这些环节做成可回溯的系统，零代码才不会变成零监管。

从生成图片到编辑文件

Editable-Design开源项目展示了另一条重要路线：AI生成的结果不应只是看起来完成的一张图片，而应当保留可继续工作的结构。项目让视觉模型负责构图方向，再由Agent用HTML重建画面，使营销海报、信息图和长文案设计保留真实文字与独立图层，用户可以双击改字、拖动元素，而不必因为一个标题错字重新生成整张图。

这背后的产品逻辑与医疗工具很相似。用户真正需要的不是一次性输出，而是可检查、可修改、可交接的中间成果。图像如果能编辑，医生工作流如果能复核，AI输出就从“答案”变成了“资产”。企业部署AI时，也应优先关注结果能否进入现有软件、能否由人继续加工，而不是只看首次生成是否足够惊艳。

角色开始拥有关系

前TikTok团队创办的PPL，则把AI的长期性放到了消费娱乐领域。用户可以创建带有记忆和性格的AI角色，角色之间还能建立关系、协同创作视频，并通过持续记录互动的living timeline形成自己的发展轨迹。它与普通聊天产品的差别，不是多了一个头像，而是让角色拥有持续存在的状态。

这类产品说明，AI应用的竞争正在从单轮响应转向长期关系。角色需要记住什么、忘记什么，怎样与其他角色合作，如何避免关系内容失控，都会成为产品设计的一部分。对于办公和企业智能体而言，同样的道理意味着工作记忆、审批习惯和上下文资产不能被隐藏在一次性对话里，而应该能被用户查看、迁移和管理。

高算力正在分层

OpenAI恢复ChatGPT Pro 20X订阅，也从另一个方向说明AI服务正在分层。200美元每月的高算力方案只向符合条件的老用户开放，背后反映的是不同任务对推理预算的需求差异：普通问答追求响应速度，复杂研究、长代码任务和多步骤执行则愿意购买更多计算资源。

这种分层不会自动带来更好的体验。企业真正要算的是，一次高算力调用是否减少了人工复核、返工和等待；个人用户也要判断，更多Token能否转化为稳定结果。未来的AI产品可能同时提供快速模型、深度模型和专业智能体，但入口越多，越需要清晰说明权限、成本和适用任务，避免把“更贵”误写成“更可靠”。

AI落地看谁能定义问题

从南方医院的医生，到能够编辑图层的设计工具，再到拥有关系网络的AI角色，这些案例的共同点不是模型参数更大，而是用户开始参与塑造系统。AI的价值不再只由模型公司单方面决定，而是取决于它能否进入一个真实场景，理解其中的对象、规则和反馈，再把结果交还给人继续使用。

对企业来说，下一步不应只是采购一个“全能助手”，而应先找出最明确、最可验证的工作单元：一份诊断资料的整理、一张海报的局部修改、一次会议后的行动项生成，或者一段需要反复审核的流程。把问题定义清楚，再给工具配置数据、权限和评价标准，AI才可能从展示能力走向创造业务结果。

这也给云端部署提出了更具体的要求。涉及医疗资料、企业文档和长期记忆的任务，需要稳定的算力、清晰的访问控制和可追踪的运行记录。选择服务器或云服务时，除了模型接口价格，还应关注网络稳定性、数据隔离、备份策略和扩容方式。速维云这类云服务器服务，可以作为承载业务系统、知识库和智能体运行环境的基础设施，具体配置仍要根据并发量、数据敏感度和模型调用方式评估。

当专业人员可以自己提出问题、搭建流程并检查结果，AI才真正开始从软件功能变成工作基础设施。接下来比拼的不会只是哪个模型更会聊天，而是谁能让更多真实用户把自己的经验安全地变成可复用的工具。