Flo Health 用 Amazon Bedrock 将医学内容审核时间缩短 60%，吞吐量提升 3 倍

一句话看懂

Flo Health 将 AWS 生成式 AI 创新中心的 PoC 转化为生产系统，用 Amazon Bedrock 实现医学内容审核自动化，审核时间减少 60%，内容产出翻三倍。

详细发生了什么

Flo Health 是一家女性健康应用公司，其医学专家平均每篇文章需花费 7 个工作日进行事实核查和合规检查。为突破这一瓶颈，团队基于 Amazon Bedrock 构建了生产级 AI 医学内容审核与生成系统。

系统采用三层验证：首先对照内部医学指南检查内容，然后与外部可信医学来源（如循证临床决策工具、同行评审期刊）进行验证，最后医学专家在简化界面中审查 AI 标注的内容。核心架构是 MACROS 模式，将内容拆分为小段，每段由多个专门的 AI Judge（医学准确性、法律合规、品牌风格等）独立评估，每个 Judge 使用不同的 LLM 模型（如 Claude Haiku 用于轻量分类，Claude Sonnet 用于高保真生成）。

此外，系统还集成了 RAG（检索增强生成）来确保内容基于可靠医学来源，并通过链式思维提示实现多阶段内容生成。最终，审核时间缩短 60%，内容吞吐量提升 3 倍，且无需扩大医学团队。

中文圈视角

对中文用户和开发者而言，Flo Health 的方案有几点值得关注：

平替与国产方案：Amazon Bedrock 在国内无法直接使用，但类似架构可基于阿里云百炼、百度千帆或华为云盘古等平台实现。核心思路——多 Judge 独立评估、分块处理、RAG 检索——完全可复用。
医疗合规场景：国内医疗内容审核同样严格，如“丁香医生”等平台需确保内容符合《药品管理法》等法规。Flo Health 的三层验证（内部指南+外部权威来源+人工终审）是很好的参考模板。
成本与模型选择：Flo 按任务风险等级选择不同模型（高精度用 Sonnet，低风险用 Haiku），这种分级策略能有效控制成本，适合国内企业借鉴。
中文盲点：中文医学知识图谱和权威语料库相对分散，RAG 的构建需要更多前期投入。但 Flo 的实践表明，即使从 PoC 到生产需逐步迭代，回报依然可观。

几条值得记住的细节

审核时间从平均 7 天/篇降至 2.8 天，减少 60%。
内容吞吐量提升 3 倍，未增加医学团队人数。
每个 AI Judge 独立优化，避免回归问题，支持单独更新。
使用 Claude Haiku 处理分类任务，Claude Sonnet 处理高保真生成。
系统集成在 Contentful CMS 中，编辑可在熟悉界面内直接采纳或修改 AI 建议。

一句话总结

Flo Health 证明，用分级 AI Judge + RAG 架构，医疗内容审核可以既快又准，国内团队可借鉴其思路落地。