OpenEvidence
Open Evidence 是一个专为医疗卫生专业人士设计的、基于人工智能的医学信息检索与决策支持平台。与通用的 AI 模型（如 ChatGPT）不同，Open Evidence 采用了先进的检索增强生成 (Retrieval-Augmented Generation, RAG) 技术，确保其生成的每一个回答都严格基于高质量的、同行评审的医学文献（如 PubMed, NCCN 指南, 权威医学期刊）。Open Evidence 的核心价值在于“无幻觉” (Hallucination-free) 和“可溯源” (Verifiable)——它会在回答的每一句话后标注具体的引文出处，点击即可跳转至原始论文，从而让医生和研究者能够快速、放心地获取准确的循证医学证据。
技术原理：打破“黑箱”
Open Evidence 解决了通用大模型在医学领域最大的痛点——一本正经地胡说八道 (Hallucination)。其工作流程如下：
- 实时检索 (Retrieval)： 当用户提问（例如“奥希替尼在一线非小细胞肺癌的最新生存数据”）时，系统首先在千万级的医学文献库中进行高精度搜索，而非直接让 AI 凭记忆生成。
- 证据筛选 (Grounding)： 系统筛选出最相关、最权威的片段（如来自《NEJM》或《Lancet》的摘要）。
- 溯源生成 (Citing)： 大模型基于这些筛选出的片段生成回答，并强制要求在句尾加上数字角标，链接回原始文献。如果找不到证据，系统会倾向于回答“未知”而非编造。
工具对比：新旧范式之争
定位差异： UpToDate 是由专家人工撰写的静态“电子书”，权威但更新慢；ChatGPT 是通才，但这容易编造数据；Open Evidence 是“阅读速度极快的 AI 助手”，兼顾了时效性与真实性。
| 特性 | Open Evidence | UpToDate / DynaMed |
|---|---|---|
| 内容生成 | AI 实时聚合 | 专家人工撰写 |
| 时效性 | 极高 (覆盖昨日新刊) | 中等 (需等待专家更新) |
| 权威性 | 依赖原始文献质量 | 金标准 (专家背书) |
| 引用颗粒度 | 精确到句 (Inline citation) | 段落/章节级引用 |
学术参考文献 [Academic Review]
[1] Thirunavukarasu AJ, et al. (2023). Large language models in medicine. Nature Medicine.
[点评]：综述了 LLM 在医学中的应用，特别强调了 RAG 技术（即 Open Evidence 的核心）在提高准确性和可验证性方面的关键作用。
[2] Singhal K, et al. (2023). Large language models encode clinical knowledge. Nature.
[点评]：Google DeepMind 团队的研究，讨论了 Med-PaLM 等模型，虽然 Open Evidence 使用不同架构，但该文奠定了 AI 医疗问答的评估标准。
[3] Lewis P, et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS.
[点评]：RAG 技术的奠基之作，解释了如何通过结合检索器和生成器来解决大模型的知识幻觉问题。