
文 | vb 动脉网
医疗 AI 的最终目标,是塑造一个拥有真实医生知识、逻辑、判断的 Agent。当下没有 AI 能够触碰这个目标,但以 OpenClaw 为首的自主智能体似乎摸到了门槛。
在第一波实践中,已有部分智能体进入医院系统试水,尝试用以辅助医院运营管理,或是为科研产出提速。
然而,自主智能体在无效配置下 Token 消耗极高,产出物又常常不安套路出牌,AI 掌握系统权限后还存在"失控"风险,导致 OpenClaw 等应用不具备在医院场景进行大规模部署的能力。
尤其是"安全"这道红线,已经促使部分医院发布封杀令,严禁在内网进行 OpenClaw 部署。
即便如此,互联网厂商与医疗 IT 企业们并未放弃这一新兴技术。目前,腾讯已在其 CodeBuddy 中针对医疗场景进行了优化,百度即将推出首个医生版龙虾" DoctorClaw ",还有众多初创企业迅速入局,推出了各式针对医疗场景的"智能员工"。
一边是众多用户的口诛笔伐,一边是顶尖科技公司竞相角逐的新赛场。重重迷雾下,医疗场景下的 OpenClaw 是昙花一现,还是真能找到一条新的道路,为大模型入院提供新的可能?
信息科率先用上 OpenClaw
OpenClaw 之所以能吸引众多拥簇,是因为它的 AI 调用理念足够大胆。
使用豆包、元宝等通用模型时,用户大多数情况下使用的是咨询服务,即向云端大模型提出请求后,大模型从自有的知识库中调取满足要求的信息进行输出。如果要进行更为复杂的任务,则需定制化搭建智能体,要求开发者具备开发逻辑并能支付一定规模搭建成本。
相较之下,OpenClaw 等自主智能体不同之处在于住进了用户电脑,拿到了系统级的权限。在正确的配置下,它能够访问电脑的文件,自主思考、自行规划行动,生成子一级的代理,进而像真人一样有条不紊地完成用户下达的具体任务。

OpenClaw 智能体核心能力(图片来源:腾讯健康)
从目前来看,这样的能力尤其适配医院场景中的信息科。
日常工作中,有限的信息科人员需要面对大量开发者各异的信息化系统,没有时间也没有能力对海量信息进行实时分析监控,医院系统存在的运维真空司空见惯。
相较于真人,自主智能体的优势在于能够轻松浏览后台晦涩的计算机指令,因而具备更强的理解能力、反应能力、处理能力,进而补足系统运维的缺陷。
当线上出现紧急 Bug,运维人员理论上只需要向自主智能体发送一个指令,调用它后台的 AI 编程能力,即可直接进行代码修复,同时快速完成测试、发版、上线全流程。
经过特定训练后,AI 亦可以用于审核安全日志,找到医院系统中的高危风险,及时通知运维人员进行修复。
如果自主智能体能够接入临床工作流中,它的能力将会进一步放大。
举个例子,国内的医护人员在日常工作中存在大量文案工作,譬如在完成患者诊疗后需要做一些文字方面的总结,是不少医生出现职业倦怠的主因。
这一场景下,OpenClaw 等智能体的价值在于充当智能助理,快速调取信息生成文案,让医生的角色由书写者转变为审核者。
另一方面,每一家医院都会有业务流程存在"断点",即当医生借助电脑完成某项工作时,下一个步骤没有信息系统支撑,需要人工介入处理,再录入下一个系统。
以电子邮件为例,医生收到邮件后需要手动对邮件中的信息进行分析,并将其中需要处理的信息、表格手动录入系统之中。
要弥补这类"断点",传统路径中医院需引入一套新的系统,在满足了医生需求后,将其与前后系统对接。一般来说,这样一套流程要付出数十万的成本,且至少需要三个月的时间才能上线。
如今有了自主智能体的加持,医生进行需求配置后,AI 可以自行处理文档并提取关键信息,帮助医生进行录入,补全的是医疗信息系统中"最后一公里"。
此外,OpenClaw 不必经历很重的研发流程,能够快速、低成本地进行配置,将系统的优化时间缩短到数天。
至于独立的医生个体,自主智能体目前的潜力还有待挖掘,主流的测试方向集中于医学科研、医学科普等方面。
在科研方面,医生在为患者看病的同时,还会去判断患者是否符合临床试验的入组标准。
这一场景中,AI 可以将复杂的病历集合在一起,根据临床试验的入组标准,快速将符合标准的病历推荐给医生,由医生来作二次决策;亦可找出指标触发了排除标准的病历,避免不合适的患者进行入组,进而将临床试验的患者筛选能力建立起来。
同时,自主智能体也能像过往的 AI 科研平台一样帮助医生批量地阅读病历,然后提取对应的指标信息,形成结构化的数据,为科研论文的撰写提速。
相较于传统 AI 平台,OpenClaw 能够听懂更自由的指令,并能通过 Clawhub 等应用市场进一步拓展功能。
医学科普方面的应用则与 OpenClaw 在流媒体的应用近似。将绝大部分视频工作交给 AI 后,医生做好分享者的工作,便能实现医学科普内容的产出。

自主智能体可应用场景汇总
上述场景之外,自主智能体还在院内场景中自动生成系统接口、自动编写工作计划代码;在院外场景中的患者画像分析(如医美、口腔)、患者病程管理等方向存在广泛应用潜力。
总的来说,OpenClaw 等自主智能体降低了相关工作的操作门槛,并能借助系统权限处理过去 AI 难以触及的工作。
这个过程中,它一方面在医院场景中找到了增量市场,另一方面实现了原有业务的降本提质增效。这些优势下,OpenClaw 已有了比肩过往 AI 的商业化基础要素,有望成为首个能在医院赚到钱的爆款 AI。
越过安全这道红线
尽管存在诸多优势,但 OpenClaw 的上线时间仅仅 2 个月,很多技术并不完善。在医疗这样的严肃场景中,这些缺陷将大幅推迟自主智能体的落地,甚至导致它被医院直接拒之门外。
首先是安全与能力方面的问题。在部署 OpenClaw 必然涉及为 AI 做系统的授权,但在授权之后,OpenClaw 大部分情况下不会如愿生成用户期望的程序,反倒会为实现目标结果而随意删改系统的文件。
其次授权后的 Tokens 消耗爆发同样难以控制,即便是在 Token 价格大幅下降的今天,用户一夜烧掉上千元的费用已经屡见不鲜。
上述问题并非没有解法。生成程序与目标相左,极有可能是在配置时未能让 AI 理解需求。至于安全问题,则需要相关企业量身定做 AI 新时代的解决方案。
腾讯健康首席解决方案架构师周天策认为:"数字员工的训练与普通员工一样,都要先明确它的 Skills,确定数字员工所覆盖的业务场景、可执行的操作类型及边界。
这里需要注意的是,人和人之间沟通它也会有信息偏差,人和 AI 沟通同样需要磨合,因此用户最好跟 Agent 反复确认需求,或是让它在执行前提前生成一个大纲,避免出现偏差。
当智能体的技能明确后,其对应的操作范围、系统权限与授权策略便已天然锁定,可实现权限与能力的精准匹配。反之,若从资产侧或业务侧反向推导权限,往往会导致授权链路复杂、边界模糊。"
美创科技高级产品总监薛恺认为:当前自主智能体落地过程中最核心的问题之一,仍然是"授权边界"的清晰界定。
"企业引入数字员工,实际上就像在组织内部招聘一个助理岗位。它能够做什么、可以访问什么、能参与到什么程度的业务决策,本质上都应当围绕岗位职责进行分阶段、规范化授权。
若跳过这一过程,数字员工的能力就会被限制在查询、查看等基础动作层面,难以真正进入执行、触发和辅助决策等业务核心环节,其价值自然也无法真正体现。"
具体而言,用户要让 OpenClaw 执行医疗相关任务时,更适合采用"任务拆解 + 多智能体协同"的方式落地。也就是说,不应让单一智能体直接承接复杂任务,而应将任务拆分为多个简单、明确、可校验的步骤,再由多个智能体分别执行。
这种方式既能将复杂问题转化为标准化、高频次的小任务,也有助于降低智能体幻觉风险,避免其在错误路径上持续消耗 Tokens,甚至因误操作而对系统环境进行破坏性修改。
围绕安全问题,薛恺认为,未来自主智能体一定会走向专属安全解决方案建设,而其核心应聚焦三项关键能力:身份可信、访问可控、行为可审计。
他指出,在传统医疗大模型应用体系中,整体安全架构多采用分布式模式,访问方式主要依赖 API 调用:由大模型提供智能能力,再借助 MCP 完成后续动作执行。相应的审计体系,也通常由两部分构成:一部分是在 API 接口层进行日志留痕,另一部分则是在 MCP 执行链路中,通过安全边界前部署流量探针,对执行流量进行采集、关联和追溯,形成完整的审计闭环。
而 OpenClaw 在架构上具备显著差异:其部署实施通常会设置统一的前置入口,该入口一般依托飞书、企业微信等办公平台作为交互输入渠道,所有交互与操作均由业务侧发起,与业务场景深度绑定,而非局限于传统 API 接口调用模式。"
此外,由于 OpenClaw 具备拟人化操作特征,安全策略还需有效识别并区分操作行为来源,区分哪些是机器智能体执行,哪些是真实人员操作。
目前行业的主流策略"以模制模"或许能够化解 OpenClaw 等智能体的安全问题。
通过构建专项判别模型,对数字员工、智能体的触发行为与操作轨迹进行验证、分析与推理,相关解决方案或有能力实现自主智能体的身份识别与行为管控,进而保证使用过程中的安全。
当然,对于医院这类机构而言,无论是否存在禁令,医生最好都不要冒着风险自行配置 OpenClaw。
风口之下,腾讯、阿里、百度都已给出了相应的完整解决方案,通过 Claude Code、CodeBuddy、DoctorClaw 等 AI 编程工具进行自动化编程,显然要更为安全、更为简便。
绕不开的"标准化"难题
自 DeepSeek 引来的国产大模型风潮开始,以沉稳著称的医疗行业开始拥抱技术,不甘走在其他行业后面。自主智能体赶上了好时候,或许能够比过往 Agent 更快在医疗机构中铺开。
但由于医疗系统天然的复杂性,即使自主智能体化解了安全方面的问题,即便 ClawHub 聚集起充足的解决方案,医疗 IT 解决方案提供商依然会面临"产品标准化"这一挑战。
简单来说,每一家医院都有它自己的架构、自有的流程。要让智能体充分应用于医疗系统中,必须充分理解医院的运营逻辑与运营风格。
在现有的技术能力下,这意味着医疗 IT 解决方案提供商不得不为每一家医院制定个性化的 Agent 方案。参考早期的智慧医院建设,企业付出了足够的时间与精力,却难以收获预期的回报。
当然,这些限制并不会影响满足安全要求下的自主智能体在医院生根。落地与付费是两码事,即便有了商业化的基础,也不一定能实现真正的商业转化,尤其面对的是医院这样一个特殊的支付方。
小麦策略提示:文章来自网络,不代表本站观点。