LLM Agent 进入疫苗管理：从问答机器人到全流程数字员工

场景一：智能补仓机器人

传统的疫苗补仓由疾控中心的信息系统按"安全库存 + 周转天数"算出建议量，再由人工审核。这套机制在大多数情况下工作良好，但在以下三类情境下失灵：

1. 接种政策突变（例如新疫苗纳入免疫规划首月） 2. 地区性突发公卫事件（例如局部麻疹疫情） 3. 跨年度结构性变化（例如新生儿数量持续下行）

LLM Agent 的优势在于它可以同时读取结构化数据（库存、批次、消耗）和非结构化文本（疾控通报、新闻摘要、上级文件），并把两者放在同一个推理上下文里。明远在 2025 年的智能补仓机器人项目中，把传统补仓建议的命中率从 71% 提升到 92%，其中提升的 21 个百分点几乎全部来自非结构化信号的接入。

场景二：异常根因分析

冷链异常的传统分析路径是"看曲线、查日志、问当事人"。一次异常溯源平均消耗 4–6 小时人力。LLM Agent 可以把它压缩到分钟级：

• 自动拉取异常前后 24 小时的传感器、门磁、CCTV 元数据
• 在内部知识库（设备说明书、维修记录、历史案例）中检索相似事件
• 生成可读的事件还原报告，并给出 3 ~ 5 条改进建议

这里的关键不是"模型有多大"，而是"上下文工程做得有多干净"。明远的内部测试显示，使用同一个 GPT-4 级模型，把 prompt 从 800 字优化到 2400 字（含 5 个 few-shot），根因命中率从 64% 提升到 88%。

场景三：与多模态视觉的协同

疫苗冷库内的"非数字化操作"是数字孪生的最后一块短板。比如：操作员把一箱疫苗放到了不该放的位置、补货车进出忘记关门、第三方人员未授权进入。这些都不会被传感器记录，但会被 CCTV 看到。

明远在 2025 年下半年的实验中，把 GPT-4V 级别的多模态模型作为"虚拟巡检员"，每 5 分钟读取一次冷库 CCTV 截图并描述异常，月均成本控制在 320 元 / 库以内。这个数字第一次让"7×24 小时视觉巡检"具备了真正的经济性。

结语：从工具到员工

把 LLM Agent 当作工具的人，看到的是一个会聊天的输入框；把 LLM Agent 当作员工的人，看到的是一个 24 小时不下班、可以同时看 12 个屏幕、记得起 10 年前每一份文档的同事。

后者才是疫苗管理一线真正需要的。