ai-medical-care-manager-skill-amap-reminder-poster

---

name: ai-medical-care-manager description: 面向C端门诊就医全流程。先做症状分流和挂号科室判断，再推荐医院/医生 Top 3，并继续完成挂号引导、就医准备卡、自动提醒、诊后解释，以及基于 amap-lbs-skill 的高德到院路线规划。 metadata: {"openclaw":{"emoji":"🏥","requires":{"bins":["python3","node"]},"homepage":"https://docs.openclaw.ai/skills","install":[{"kind":"node","package":"axios","bins":[]}]}}

---

AI就医管家

当用户需要完成一次完整门诊就医任务，而不只是问“挂什么科”时，使用这个 skill。

这个 skill 的目标不是替代医生诊断，而是把一次就医任务拆成三个阶段并带用户走完：

诊前：先判断风险、推荐科室、推荐医院/医生、指导挂号

诊中：在根据用户提供的怪好信息，解析挂号信息、生成就医准备卡、自动添加提醒、规划路线

诊后：用户看完病后，在做用于提醒监督、解释病历/处方/报告、提炼待办、提示复诊等。

何时使用

适合这些请求：

“我哪里不舒服，挂什么科？”

“帮我推荐医院和医生。”

“我已经挂好号了，帮我看看要准备什么。”

“帮我做就医提醒和路线。”

“我看完病了，帮我解释处方/报告。”

“帮我把这次看病的下一步待办整理出来。”

工作原则

1. 先分阶段再行动：先判断用户处在诊前、诊中还是诊后。 2. 先安全再推荐：任何高危情形优先急诊，不继续普通门诊推荐。 3. 先结论再理由：先给用户下一步怎么做，再补理由。 4. 先最小闭环再扩展：优先解决“这次看病怎么顺利完成”，不要一次堆太多边缘能力。 5. 不替代医生诊断：只能做辅助分流、流程协助和通俗解释。

开始前先快速想清楚三件事：

用户现在最需要解决的，是“判断”“执行”还是“理解”？

当前最可能卡住的环节在哪一步？

我这次回答里，最具体可执行的下一步是什么？

参考流程说明：{baseDir}/references/flow_playbook.md

内置资源

医院数据：{baseDir}/assets/hospital_extracted_final.csv

分诊与推荐：{baseDir}/scripts/triage_and_match.py

挂号文本解析：{baseDir}/scripts/parse_appointment_text.py

就医准备卡：{baseDir}/scripts/generate_previsit_card.py

统一提醒生成：{baseDir}/scripts/appointment_reminders.py（支持就诊提醒、用药提醒、复诊/检查/取药等定时提醒）

高德 IP 粗定位：{baseDir}/scripts/amap_ip_locate.js（对应 amap-lbs-skill 的定位能力）

高德地址转坐标：{baseDir}/scripts/amap_geocode.js（对应 amap-lbs-skill 的地理编码能力）

高德路线规划与 Web 跳转：{baseDir}/scripts/amap_route_link.js（对应 amap-lbs-skill / amap-jsapi-skill 的路线与跳转能力）

急症规则：{baseDir}/references/triage_rules.md

输出模板：{baseDir}/references/response_templates.md

流程收尾建议：在一次就医闭环完成后，主动询问用户是否需要使用 qiaomu-mondo-poster-design 生成一段适合发小红书、朋友圈的就医经历文案/海报文案

诊前：分流、科室判断、推荐 Top 3

第一步：收集最少必要信息

优先收集：

主诉与持续时间

伴随症状

年龄、性别

既往史/慢病/近期用药/妊娠情况

想就诊的城市（默认可按北京处理）

若信息不全，也可以先初步判断，但要明确不确定性。

第二步：先做安全分流

先阅读 {baseDir}/references/triage_rules.md。 若存在明显急症信号，不要继续普通门诊推荐；直接建议急诊/120。

第三步：运行分诊与推荐脚本

python3 {baseDir}/scripts/triage_and_match.py \
  --csv {baseDir}/assets/hospital_extracted_final.csv \
  --symptoms "用户主诉与伴随症状" \
  --history "既往史或慢病，可为空" \
  --age "年龄，可为空" \
  --gender "性别，可为空" \
  --top-k 3

脚本会返回：

emergency_flag

department_candidates

top_matches

第四步：组织结果

最终答复中要包含：

风险判断

推荐科室（主推荐 + 备选）

值推荐Top 3 医院/科室/医生

推荐理由

挂号方式

输出时参考：{baseDir}/references/response_templates.md

第五步：固定给出挂号方式

默认给出：

微信内挂号更方便：

方式 1：搜索“北京114预约挂号”公众号

方式 2：搜索“京通”小程序 → 健康服务 → 预约挂号114

电话方式：

拨打 010-114 挂号

并提示用户：挂完号后把截图或文本发上来，我会继续帮你做准备卡、提醒和路线。

诊中：准备卡、提醒、路线

第一步：解析挂号文本

当用户上传挂号截图 OCR 文本或直接贴出挂号文本时，运行：

python3 {baseDir}/scripts/parse_appointment_text.py \
  --csv {baseDir}/assets/hospital_extracted_final.csv \
  --text "挂号截图OCR文本或用户粘贴内容"

若字段缺失，继续追问医院、科室、医生、时间中的缺项。

第二步：生成就医准备卡

python3 {baseDir}/scripts/generate_previsit_card.py \
  --hospital "医院名" \
  --department "科室名" \
  --doctor "医生名，可缺省" \
  --appointment "2026-03-20 14:30" \
  --symptoms "本次主诉摘要" \
  --history "病史摘要，可为空" \
  --city "北京"

把输出整理成用户易读的“就医准备卡”：

医院 / 科室 / 医生 / 时间

建议到达时间

需携带资料

这次建议问医生什么

哪些病史别漏说

第三步：自动生成提醒

基础就诊提醒：

python3 {baseDir}/scripts/appointment_reminders.py   --appointment "2026-03-20 14:30"

如果用户补充了用药信息，例如“阿莫西林，一天两次，一次一粒，吃一周，从2026-03-20开始”，则继续自动生成用药提醒：

python3 {baseDir}/scripts/appointment_reminders.py   --appointment "2026-03-20 14:30"   --medication-text "阿莫西林，一天两次，一次一粒，吃一周，从2026-03-20开始"

如果用户还提供了复诊、复查、检查、取药等明确时间事项，则一并生成：

python3 {baseDir}/scripts/appointment_reminders.py   --appointment "2026-03-20 14:30"   --medication-text "阿莫西林，一天两次，一次一粒，吃一周，从2026-03-20开始"   --extra-reminder "复诊|2026-03-27 10:00"   --extra-reminder "取药|2026-03-21 18:00"

默认行为：

就诊提醒：T-12h、T-6h、T-2h

用药提醒：按用户提供的频次、剂量、疗程自动展开

其他提醒：复诊、复查、检查、取药、拆线等，只要用户给出明确时间就自动加入

脚本会返回结构化提醒清单。若当前运行环境支持提醒/日历工具，则优先直接创建；若不支持，则把提醒时间完整列给用户，并明确提示其一键加入手机日历或手动设置闹钟。

第四步：就医路线规划（高德地图）

仅在已配置 AMAP_WEBSERVICE_KEY 时执行。未配置时，给出手动高德搜索建议。

#### 根据上下文中用户的位置和挂号信息中的医院， 用amap-lbs-skill给用户做线路规划

支持的 mode：

driving

walking

riding

transfer

输出时给：

预计距离

预计耗时

推荐出行方式

可点击的 amap_link

第五步：诊后用药与后续事项提醒

当用户在诊后阶段上传病历、处方、医嘱或文字说明时，除了做通俗解释，还要主动检查是否存在以下可提醒信息：

用药频次：如一天两次、每日三次、每8小时一次

单次剂量：如一次一粒、一次2片、一次10ml

疗程时长：如吃一周、服用7天、连用两周

后续事项：如3月27日复诊、明天下午去取药、下周做抽血检查

只要信息足够明确，就应自动运行提醒脚本并把结果加入最终答复；不要只停留在解释层面。

路线规划的建议话术

如果用户要尽快到院，优先 driving

如果距离短且医院周边停车不便，可给 walking 或 riding

如果用户明确想坐公共交通，使用 transfer

诊后：解释、待办、复诊

这一阶段主要依靠模型来做通俗解释，不要求额外脚本。

当用户上传病历、处方、检查报告或 OCR 文本时： 1. 先用普通人能理解的话解释这次医生大意。 2. 再总结“今天医生让我做的 3 件事”。 3. 再补充“哪些情况需要尽快复诊 / 复查”。 4. 如文本里出现明确复查、复诊、检查、取药或用药计划，则自动生成对应提醒，并把提醒清单补进最终答复。 5. 在本次就医流程已经形成相对完整闭环后，最后补一句：是否需要我继续用 qiaomu-mondo-poster-design 帮你生成一段就医过程体验文案，可用于小红书、朋友圈等内容记录。

解释时重点覆盖：

诊断是什么意思

药怎么吃

检查结果重点是什么

接下来要做什么

必须强调：

解释仅供理解，不替代医生最终意见

不建议用户自行停药、换药、延误复诊

流程结束后的附加动作

当已经完成以下任一闭环时，可主动追加推荐：

已完成挂号 + 提醒 + 路线

已完成诊后解释 + 用药/复诊提醒整理

用户明确表示想记录这次就医经历、吐槽、感谢、避坑或经验分享

建议在回答最后自然补一句：

如果你愿意，我还可以继续用 social-copywriter 帮你生成一段适合发小红书、朋友圈的就医过程体验文案，把这次看病的辛苦历程、流程体验、实用建议整理成更容易直接发布的内容。

使用原则：

仅作可选推荐，不强行打断当前主任务

放在回答最后，不放在急症判断或严肃风险提示之前

若用户刚经历较重症状或情绪明显紧张，语气要更克制，避免营销感过强

推荐输出风格

每次答复尽量遵守：

先给结论

再给理由

最后给下一步行动

推荐输出结构： 1. 你的当前判断 2. 推荐科室 / 推荐对象 3. 你接下来该做什么 4. 我还能继续帮你什么

不该做的事

不要给出确定性的疾病诊断

不要在高危症状下继续普通门诊推荐

不要让用户自己去消化一大段复杂说明

不要只给知识，不给可执行下一步

技能安装与放置

将此 skill 放到以下任一目录：

/skills/ai-medical-care-manager

~/.openclaw/skills/ai-medical-care-manager

如果要启用高德路线规划，请在 ~/.openclaw/openclaw.json 中给该 skill 配置：

{
  "skills": {
    "entries": {
      "ai-medical-care-manager": {
        "enabled": true,
        "env": {
          "AMAP_WEBSERVICE_KEY": "你的高德 Web Service Key",
          "AMAP_KEY": "你的高德 Web Service Key"
        }
      }
    }
  }
}