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观察到：传统规则系统的建议命中率，在接入非结构化信号后有明显提升（具体百分比为合作方未公开的内部测算，不对外披露）。研究院只公开方向性结论——非结构化信号对命中率的提升是结构性的，不是偶然现象——具体数字交由合作方自行披露。

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 A/B 测试表明：在同一个模型上，精细化的上下文工程（更长的系统提示 + few-shot 示例 + 领域知识注入）可以把根因命中率从基线水平显著提升到"可投入使用"水平（具体百分比为内部 benchmark，不作为行业通用结论，不对外发布）。

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 年下半年的技术试点中，把多模态模型（以国产大模型商用 API 为主）作为"虚拟巡检员"，按一定采样频率读取冷库 CCTV 截图并描述异常。研究院立场：多模态视觉巡检的月度经济性强依赖于所选模型与采样频率；任何单一"最低成本"数字都不具代表性。读者可以依据公开的 API 价格和自选采样频率自行测算。真正的工程突破在于：经济可行区间已经出现，而不是"成本降到了某个特定数字"。

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。