医疗编码自动化召回率从45%到92%的架构转折点

医疗理赔自动化项目在处理医保规则约束时，单纯靠堆微调数据或优化Prompt根本解决不了问题。之前有个团队做医疗编码提取，受限于NCCI规则等硬性限制，模型生成的代码准确率极低，召回率一直卡在45%左右，即便增加样本量和优化检索逻辑，指标也只能在60%左右徘徊。

问题的核心在于LLM的概率预测本质。临床文档里并没有包含所有的CMS监管规则，让模型通过阅读理解去“猜”外部逻辑是不科学的。他们最后的方案不是去换更大的底座，而是引入了一个确定性验证层：由LLM负责从非结构化文本中提取候选代码，随后直接接入一个包含173万条规则的硬性校验引擎进行过滤。

这种“概率模型+确定性规则引擎”的混合架构，最终把召回率直接拉升到了92%。对于垂直领域落地来说，与其在模型能力上死磕，不如在架构层面增加约束。如果业务逻辑存在强规则属性，架构的设计比模型参数量更关键。