Medical QA Agent.

回答流畅，不等于证据充分。

医药知识问答需要区分药品标签事实、关系路径与模型生成。脱离检索来源的答案难以核验，证据不足时继续生成还可能补出不存在的事实。

这个研究 Demo 探索：如何把答案、证据、来源和关系路径作为同一个响应的一部分。

先找到证据，再组织回答。

以 Graph-Augmented RAG 为思路，并行获取药品标签文本与知识图谱路径，融合候选后执行规则重排，只基于可用证据生成回答。

• 公开 DailyMed / openFDA 标签信息作为演示文档来源。
• RTX-KG2 风格三元组用于关系路径演示，不等于接入完整图谱。
• 证据不足明确返回 insufficient evidence。

Retrieval → Reranking → Generation

查询分析后，向量检索与图谱检索共同提供候选；重排按语义、实体命中、来源和标签 section 组织证据，再进入受约束生成。

让系统的实际运行方式可见。

• FAISS 与 BGE-M3 适配可选；缺少依赖时提供 NumPy cosine search 与确定性 hash embedding 后备。
• 配置兼容 LLM 接口后可调用模型；请求失败降级为抽取式回答。
• generation_mode 区分模型生成、离线摘要、失败降级与证据不足。
• LangChain 属于相关技术方向；当前 README 所述链路为模块化 Python 工程，不将其列为已验证核心依赖。

把可核查的响应放在接口中心。

仓库提供 CLI、中文桌面 GUI 和可选 FastAPI 接口。响应包含 answer、evidence、sources、reasoning_path 和 generation_mode。

文档清洗、分块、混合检索、候选融合和规则重排分开组织。外部文档与三元组可以通过 JSONL 文件导入。

离线可复现，与真实接口验证分开。

公开 README 给出了内置问题、离线抽取模式、证据不足和模型失败降级的验收方法。网站本身没有重新运行模型或外部 API，因而不把这些方法描述为本次通过的测试。

小型证据集的边界必须清楚。

• 内置数据仅覆盖少量药品，不是完整 openFDA 数据库或完整 RTX-KG2。
• 存在引用不意味着医学结论正确；来源覆盖、时效与关系质量仍需独立评估。
• 不提供临床效果、线上用户量或真实医疗环境验证的声明。

查看链路、数据格式与降级行为。

仓库 README 提供模块结构、运行方式、配置说明与验收步骤。阅读时请同时检查可选依赖与实际 generation_mode。