ai-doctor：讓多家 LLM 同場會診、互評淘汰的開源模擬面板

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

ai-doctor（AI 醫療會診面板）是一個掛在 GitHub Pages 上的開源網頁工具：你輸入一份病例，讓好幾個由不同大型語言模型扮演的「醫生」輪流發言、互相評分，每一輪淘汰掉最多同伴標記為「不太準確」的醫生，最後收斂出一份診斷總結。實際打開線上版，介面完整、流程是真的，但它最上方的橫幅就寫得很明白：內容僅供參考，身體不適請儘早就醫。作者把它定位成會診流程的技術演示與教學素材，這個定位本身就值得先記住。

Pin

不過要把它用在課堂或研究裡之前，有三件事會直接影響你的決定，而且都藏在表面之下：線上版預設跑不動（沒填 API 金鑰的醫生根本進不了會診）、README 宣稱 MIT 但缺少所連結的 LICENSE 檔案、以及「淘汰」機制淘汰的是模型之間的共識少數方，與醫學對錯沒有必然關係。底下把這三件事逐一攤開，順便講清楚它的資料流向與自架方式，讓你自己判斷它值不值得進入你的工具箱。

一場會診怎麼進行：輪流發言、互評投票、最高票出局

整個流程在原始碼裡定義得相當清楚。你在首頁填病歷表單（患者姓名、年齡、性別、既往病史、本次問題都是欄位），按下開始會診後，你選中的醫生輪流發言（順序預設隨機，可以改成照清單排序），每個人拿到的材料是同一份病歷加上先前的完整討論紀錄。每一輪結束後進入評估階段：所有還在場上的醫生各自投給一位他認為這輪講得最不準確的同伴，規則允許投自己，系統把輸出格式約束成一段 JSON。獲得最多「不太準確」票的醫生出局；平票或沒有人得票，這一輪就不淘汰任何人。

會診什麼時候結束有兩個條件：場上只剩一位醫生（採用他的答案），或是連續好幾輪都沒有人出局、觸發上限。這個上限預設是三輪，可以在設定裡調整；到達上限時若還有多位醫生在場，總結會交給還留在場上的第一位醫生生成。最終總結的提示詞要求輸出七個部分：核心診斷與分級、主要依據、鑑別診斷、進一步檢查與理由、治療與處置建議、隨訪時機、患者教育與風險提示。

這裡有一條對教學場景特別重要的細節：提示詞明確要求模型在適用時給出藥物劑量。也就是說，這份總結會長得非常像一份真的醫囑。演示時如果沒有先框住「這是模型輸出，不是醫囑」這條線，台下學生很容易把格式的完整誤讀成內容的可靠。專案在介面與中文版 README 都放了免責聲明，但聲明放在旁邊，劑量寫在正文裡，課堂上這兩者的注意力分配得靠演示的人自己掌控。

線上版的第一道關卡：沒填金鑰的醫生進不了會診

線上版打開後，全域設定裡已經預設了三個醫生：Dr. GPT-4、Dr. Claude 3、Dr. Gemini，分別對應 OpenAI、Anthropic、Gemini 三種介面規範，模型名都填好了，唯獨 API 金鑰是空的。全域設定的提示文字寫著「未填寫 API Key 將使用模擬回覆」，聽起來像是不用金鑰也能空跑一場。

實際操作會撞上另一道牆。到問診設定裡把醫生加進本場會診時，面板會直接拒絕，並提示這些醫生未配置 API Key 或模型、無法加入，請先回全域設定補上。翻開原始碼可以對上：加入會診的驗證函式要求 API 金鑰與模型名都不能是空字串，這是 2025 年 11 月中旬加入的功能；而「模擬回覆」的分支確實存在於呼叫模型的程式碼裡（沒有金鑰時等 0.6 秒回一句固定的制式發言），只是在正常介面流程中，無金鑰的醫生連場都上不了，那個分支走不到。同一段程式碼裡，無金鑰的醫生投票時會投給自己，讓投票流程有確定的結果。

Pin

設定模型前，先到ai-doctor 官方專案核對版本與供應商設定。API 呼叫程式分別處理 OpenAI、Anthropic、Gemini、矽基流動與 ModelScope，並允許自訂 Base URL；但端點路徑、驗證方式、瀏覽器跨來源限制與模型名稱仍須匹配，不能保證任何相容端點都能直接使用。若評估 FreeLLMAPI 類型的閘道，也要把閘道經營者納入資料與金鑰的信任範圍。

這類自備金鑰工具需要分開看「程式存在哪裡」與「請求送到哪裡」。API 函式會送出提示詞、歷史發言及驗證資料；代理處理在開發模式或啟用代理旗標時，可能把跨來源請求改送 /api-proxy。純前端不是作者或部署者絕不可能接觸資料的保證，實際路徑仍取決於載入的程式、部署設定與所選端點。SkidHomework也是可對照的自備金鑰工具，但應各自核對資料流。

「資料只存在瀏覽器」要怎麼正確解讀

專案 README把純前端、本地儲存與無資料上傳放在一起描述；這幾件事不能視為同一個承諾。本地儲存說明設定留在哪裡，API 呼叫則會把內容送往服務端點。閱讀隱私說明時，應同時確認儲存與傳送兩條路徑。

設定儲存程式把醫生設定（包含 apiKey）、圖片識別設定與預設提示詞寫入 localStorage。刪除本地瀏覽器資料會影響本地副本，卻不會代替模型供應商或代理的資料刪除程序。病例與歷史發言會在 API 請求中送出；是否直連或經過代理，要依實際部署確認。

課堂演示先用自己編寫、不含真人識別資訊的虛構案例。不要把真實病歷直接貼入未經組織核准的工具或端點；換成另一款產品也不自動解決資料處理問題。若比較 WellAlly Health 或 瀏覽器本機運算工具，應分別確認所用功能、版本與傳送路徑，不只看「本機」兩字。

金鑰存在 localStorage，具備相同來源存取能力的頁面程式可以讀取。不要在公用裝置保存，也不要分享含金鑰的設定或瀏覽器資料；使用前確認端點與部署來源，並了解如何在供應商端撤銷金鑰。清除瀏覽器資料不等於已撤銷外洩的金鑰。

淘汰機制的真面目：出局的是模型共識的少數方

這個工具招牌式的設計是淘汰，但它淘汰的東西需要精確理解。每一輪投票，投票者是其他的大型語言模型；出局的條件是拿到相對多數的「不太準確」標記，未必真的過半。整個流程裡沒有任何醫學知識庫、臨床指南或事實查核參與裁決，裁判與答辯的雙方都是模型。所以它收斂出來的結論，嚴格說是「這群模型互相說服後的共識」，不是經過驗證的醫學答案。極端一點想：如果場上三個醫生背後是同一個模型的三個副本，投票就變成同一個聲音的自我確認。

系統提示詞裡其實有試著對抗這種趨同：它要求每個醫生保持獨立判斷，別為了迎合同伴而輕易改變核心觀點，也要求明確指出不同意見。平票不淘汰、可以投自己這兩條規則，也減緩了濫用與誤殺的速度。這些設計讓它作為「多方觀點如何收斂」的流程演示很有料，但作為品質保證機制，它的上限就是模型之間的一致性，而一致性從來不等於正確。

如果你要的只是「多個模型針對同一個問題各寫一份答案，擺在一起比較」，其實不需要這麼複雜的辯論流程，ParallelChat 那類多模型並行對話工具就是為這個用途設計的。ai-doctor 多出來的部分，是讓模型互相看見、互相批判、再用投票把少數方請下場，這條辯論與收斂的軸才是它的教學價值所在，也是人最容易過度解讀的部分。

圖片識別、關聯問診與鴻蒙版：三個低調的額外功能

除了主流程，repo 裡還有三個功能值得知道。醫療圖片識別是最直覺的一個：全域設定裡有獨立的圖片識別分頁，預設關閉，開啟後走矽基流動的視覺模型（預設型號 Pro/Qwen/Qwen2-VL-72B-Instruct），把上傳圖片轉成一段病灶描述文字，再併進病歷餵給醫生們。它需要另外填一組金鑰，識別的結果也只是「描述給模型看」，不是診斷。README 的開發路線圖把「支援上傳醫學影像」列在未完成，但程式碼裡這條處理路徑已經接好了，文件落後於實作。

關聯問診是另一個：可以把先前結束的會診場次連結進新的會診，連結進來的歷史病例與最終總結會以參考資料的形式附在提示詞裡，並標明僅供參考、要當前醫生獨立判斷。做多輪追蹤教學（先看初診，再看新資訊怎麼改變複診判斷）時，這比單場演示有更多變化。還有一套 HarmonyOS（鴻蒙）版本：repo 的 harmony 目錄用 ArkTS 與 ArkUI 重寫了一整套對應介面，2025 年 11 月底完成移植，這也是專案的最後一批提交。對多數人它存在感不強，但如果你在找能改編成行動裝置應用的參考實作，這份移植本身就是素材。

MIT 徽章掛著，LICENSE 檔案卻不存在

README宣稱採用 MIT 並連到 LICENSE，但本次核對的版本沒有該檔案，GitHub 授權欄位也未識別出授權。這是採用前需要釐清的文件落差；README 的授權表示與缺少完整條款應一起看。

GitHub 授權文件指出，授權資訊有時放在 README，並建議附上完整授權檔。因此，不能僅由缺少 LICENSE 檔，直接斷言作者完全沒有授權。若要散布、改作或納入正式教材，先請作者補齊適用條款與著作權聲明，保留採用版本及相關表示；不要把 GitHub 自動偵測結果當成法律結論。

提交紀錄在本次核對時，最新提交仍是 2025 年 11 月 30 日。這可作為維護風險的線索，卻不能推成作者未來一定不會更新或修復。正式採用前，確認目前安裝需求、模型相容性、問題回報與可接手維護的人選；若無人負責修正，先把用途限制在可中止的演示或原型。

誰適合拿它當教材，誰該離它遠一點

把它放回對的位置：它是把「多專家會診、互評、投票淘汰、收斂結論」這套人類決策流程可視化的開源教學面板，適合的場景是醫學與 AI 課程的流程演示、多模型協作的行為觀察、醫療自然語言研究的互動原型，以及團隊內部的方法論討論素材。在這些場景裡，它連「輸出含藥物劑量的總結」都能變成現成的教材案例：正好拿來討論為什麼格式完整的輸出不等於可信的輸出。

它不適合用來自我診斷或作為醫療第二意見：模型互評不是臨床驗證，格式完整的總結也不是醫囑。演示前應說明輸出限制、內容會送往模型端點，以及授權文件仍需釐清的部分。先用虛構案例觀察流程，才不會把教學原型的完整介面誤當成可靠的醫療服務。