别再猜药：使用 LangGraph 和 DrugBank 构建多步骤药物相互作用代理

Source: Dev.to

概览

在医疗领域，“幻觉” 不仅仅是 AI 的一个奇怪错误——它是一个关键的安全风险。构建一个标记药物‑药物相互作用（DDI）的系统，除了简单的 LLM 提示外，还需要严谨的逻辑、结构化的数据验证以及多步骤推理。

在本教程中，我们将使用以下工具构建一个 高级医学安全代理：

• LangGraph – 编排逻辑
• DrugBank API – 金标准的相互作用数据
• Tavily Search API – 最新的 FDA 警报
• Pydantic – 严格的模式验证

该代理将执行结构化查询、交叉比对过敏史，并输出临床级别的安全报告。无论你是要打造下一个大型 MedTech 应用，还是仅仅在探索 LangGraph 的循环能力，本指南都适合你。

为什么不使用传统 RAG？

传统的检索增强生成（RAG）在医学场景中常常失效，因为它缺乏处理复杂情形所需的 分支逻辑（例如，“如果药物 A 与 B 产生相互作用，则检查患者对药物 C 的过敏是否会加重”。）

使用 LangGraph，我们可以创建一个 状态机，让代理在信息不足时“回环”，以澄清细节或执行额外搜索。

架构图

graph TD
    A[User Input: Meds & Allergies] --> B(State Parser)
    B --> C{Interaction Agent}
    C -->|Lookup| D[DrugBank API / Tavily]
    D -->|Data Found| E{Conflict Detected?}
    E -->|Yes| F[Risk Assessment Node]
    E -->|No| G[Final Safety Report]
    F --> H[Cross‑reference Allergies]
    H --> G
    G --> I((Output to User))
    style C fill:#f96,stroke:#333,stroke-width:2px
    style G fill:#00ff0022,stroke:#333

技术栈

• LangGraph – 编排逻辑
• Pydantic – 严格的模式验证（对医疗数据至关重要）
• DrugBank API – 交互数据源
• Tavily Search API – 搜索尚未进入数据库的最新 FDA 警报

数据模型

from pydantic import BaseModel, Field
from typing import List, Optional

class InteractionDetail(BaseModel):
    severity: str = Field(description="High, Medium, or Low")
    description: str = Field(description="Detailed explanation of the interaction")
    evidence: str = Field(description="Source of this information (e.g., DrugBank)")

class MedicationSafetyReport(BaseModel):
    is_safe: bool
    conflicts_found: List[InteractionDetail]
    allergy_warnings: List[str]
    recommendation: str = Field(description="Actionable advice for the patient")

工具定义

from langchain_core.tools import tool
from typing import List

@tool
def check_drug_interaction(drug_list: List[str]):
    """Fetches interaction data between a list of medications from DrugBank."""
    # Logic to call DrugBank API
    # For demo purposes, we return a simulated response
    return f"Checking interactions for: {', '.join(drug_list)}... Potential interaction found between Aspirin and Warfarin."

@tool
def search_latest_fda_alerts(query: str):
    """Searches for the most recent FDA safety warnings using Tavily."""
    # Tavily implementation here
    return f"Recent alert: Increased risk of bleeding observed in combination therapy..."

状态定义与图构建

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated, Sequence, List, Optional
import operator

class AgentState(TypedDict):
    messages: Annotated[Sequence[str], operator.add]
    medications: List[str]
    allergies: List[str]
    report: Optional[MedicationSafetyReport]

def interaction_analysis_node(state: AgentState):
    # The LLM decides which tools to call based on state.medications
    # It uses the Pydantic schema defined above
    return {"messages": ["Analyzing interaction data..."]}

# Define the Graph
workflow = StateGraph(AgentState)

workflow.add_node("analyze", interaction_analysis_node)
workflow.set_entry_point("analyze")
workflow.add_edge("analyze", END)

app = workflow.compile()

生产考虑因素

• PHI 合规 – 确保数据在静止和传输过程中加密。
• 延迟 – 多步骤推理可能增加开销；考虑使用异步调用和缓存。
• 模型微调 – 特定领域的数据可提升可靠性。

如需深入了解在受监管行业中扩展 AI 代理的实践，请参阅 WellAlly Tech Blog（工程深度解析）。

运行代理

inputs = {
    "medications": ["Aspirin", "Warfarin", "Lisinopril"],
    "allergies": ["Sulfa drugs"],
    "messages": ["Is it safe to take these medications together?"]
}

for output in app.stream(inputs):
    for key, value in output.items():
        print(f"Node: {key}")
        # In a real app, this would display the Pydantic‑validated report

关键优势

• 迭代推理 – 如果发现 Aspirin 与 Warfarin 之间存在冲突，代理可以触发第二次搜索（例如 “Aspirin/Warfarin 剂量风险”），再提供最终答案。
• 类型安全 – Pydantic 确保前端收到的 JSON 对象能够可靠地解析为 UI 警告组件。
• 审计追踪 – LangGraph 的状态管理记录代理的每一次 “思考”，这对医学审计至关重要。

接下来是什么？

• 添加一个 Human‑in‑the‑Loop 节点以供药剂师批准。
• 通过 FHIR API 与 EHR（电子健康记录） 系统集成。

你尝试过构建…（教程继续）。

构建医疗代理？ 你遇到的最大障碍是什么？在评论中告诉我！👇

如果你喜欢本教程，别忘了访问 wellally.tech/blog 获取更多关于 AI 代理和 MedTech 创新的高级教程！