Mirobody:本地离线AI整理体检报告,解决单位换算与溯源痛点
最近在思考AI在生活场景的落地,解决一些实际痛点问题,越来越觉得AI 时代最被低估的个体资产就是你有没有趁早替自己和家人建起一座跨越多代模型、永远不会断档的生命…
结构清晰且极具参考价值,不仅介绍了产品功能,还详细拆解了使用边界与避坑指南(如隐私设置与性能预期),为读者提供了真实的使用视角。
最近在思考AI在生活场景的落地,解决一些实际痛点问题,越来越觉得AI 时代最被低估的个体资产就是你有没有趁早替自己和家人建起一座跨越多代模型、永远不会断档的生命数据底座。
每年换家医院体检,去年的单子压在抽屉底,手机相册翻到底朝天也凑不齐。 更要命的是看病时医生问前两年血脂怎么变,你把公立医院写的 LDL-C(mmol/L)和私立机构写的低密度脂蛋白胆固醇(mg/dL)一起喂给大模型,AI 经常直接当成两码事,甚至把 212 mg/dL 和 4.90 mmol/L 画成暴跌曲线,实际换算完根本没降多少。
今天摸到一个在 GitHub 拿下 digital-health 榜首的开源项目 Mirobody,直接把这套麻烦事按在地上摩擦:
👉 16GB 内存普通笔记本就能跑,不用独立显卡,全离线运行,甚至能直接把健康档案接进 Claude Code 或 Cursor。
👉 内置 63,416 个国际医学标准编码和 102 万条多语言别名,换算单位全靠本机查词表,0.4 秒出结果,绝不让大模型瞎猜。
👉 体检 PDF、手机拍的化验单照片、Apple Health 数据往里一丢,自动拉出跨年份趋势线,回答里每个数字点开都能直接跳回当年原件照片核对,再也不怕 AI 把参考范围看成实测值。
不过在动手前,我先把这玩意儿做不到的 4 个坑全摊开,免得你白折腾: 只管整理和溯源,绝对不看病开药,指标正不正常依然得听医生的。
遇到冷门医院缩写或血脂这种大类统称,它会老实留空标成待确认,需要你手动点一次确认,不会硬凑。
纯 CPU 跑本地模型,读手机拍的糊图要等好几分钟,这不是电脑卡死,规整的 PDF 和表格才会秒出。
存自己和爸妈的真实报告前,务必把配置里的演示数据开关关掉,一旦连上云端 AI 客户端,查到的读数依然会发给模型厂商,想彻底不出本机必须全链路本地化。
如果你不想折腾代码,官方中文演示页预置了两千多条虚拟数据,2 分钟就能点开体验跨单位折线和原件溯源。
整理好的完整命令行、Docker 避坑参数以及接入 Claude Code 的全套配置,我都放在评论区了,你家抽屉里还压着几年前没整理的纸质体检单吗宝子们?
更进一步:量化金融体系
看懂新闻只是起点——沿量化金融路径,把它变成能交付的工程能力