WellAlly Health：把醫療報告收進本機，做成可搜尋的 AI 知識庫

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

健檢報告、處方箋、出院摘要、影像檢查光碟，多數人的醫療紀錄散在不同醫院的入口網站、紙本資料夾和手機相簿裡，想回頭找一項數值得翻半天。市面上的健康 App 多半要你把這些資料上傳到它的雲端，才有辦法幫你整理分析。WellAlly Health 走的是反方向：所有檔案存在你自己的電腦，AI 處理也在本機完成，不需要雲端帳號，也不需要資料庫伺服器。

一句話講它做什麼：把醫療報告、處方、影像整理成一台機器裡可搜尋的結構化知識庫，再加上藥物交互作用查詢和多專科分析。這是開發者 huifer 在 GitHub 以 MIT 授權釋出的專案，README 顯示已累積超過 900 顆星。

有一件事必須先講，而且要放在你一定看得到的地方：WellAlly Health 不是醫療器材。README 的免責聲明寫得明白，系統的設計原則是不提供具體藥物劑量、不直接開立處方、不預測壽命、不取代醫師診斷，所有分析僅供個人參考，不能當作診斷或用藥的依據。接下來談到的每一項能力，都是 README 寫到的「它做得到什麼」，至於 AI 分析在醫學上準不準、能不能信到當健康決策的依靠，這篇文章不替它背書，你更別拿它來替代看醫生。

資料不離開電腦，是它最大的差異點

WellAlly Health 把自己定位成 local-first（本地優先）的個人健康記錄系統。所有資料以純文字檔案的形式存在你的硬碟裡，格式是開放的 JSON 加 Markdown，沒有資料庫，沒有雲端同步，沒有遙測，也不需要註冊任何外部帳號。README 列出的隱私承諾很直白：資料完全儲存在本機檔案系統、不上傳任何雲端服務、沒有外部資料庫或網路相依。

這和一般商業健康記錄 App 的運作邏輯根本不同。商業服務要發揮 AI 分析的價值，通常得把你的檢驗報告、用藥清單送上它的伺服器；WellAlly Health 換掉這個前提，代價是你得自己負責備份和保管這些檔案。好處是格式開放、沒有廠商綁定，隨時可以複製到外接硬碟或另一台機器，不會因為服務關站就救不回來。

健康資料比一般個資更敏感的地方在於，它牽涉保險核保、就業體檢、家族病史，甚至可以回推遺傳資訊，一旦外洩或被第三方取得，當事人幾乎沒有補救管道。把這類資料留在自己掌控的機器上處理，風險的邊界就清楚得多，這也是 local-first 架構在醫療領域特別有道理的原因。

如果你把醫療史視為絕對隱私，這種架構是它最值得看的一點。但 local-first 也意味著沒有自動跨裝同步、沒有遠端備援，機器壞了檔案就沒了，備份紀律要自己建立。

拍一張健檢報告，它幫你抽出數字建檔

文件理解是這類工具能不能用的關鍵。README 寫到的能力包括醫療報告影像辨識（OCR 加 AI 結構化）、生化檢驗值與參考區間自動抽取、醫療影像結構化資料抽取、出院摘要結構化儲存。簡單講，就是把一張照片或一份 PDF 變成可查詢的欄位。

README 的快速開始範例展示了代表流程：

/profile set 175 70 1990-01-01
/save-report /path/to/image.jpg
/radiation add CT chest
/query all

第一行設定身高體重生日，第二行把一張檢驗報告照片丟進去，第三行記一次輻射檢查，第四行查全部資料。指令是自然語言友善的 slash command 形式，README 形容整個過程是「沒有程式、沒有伺服器、沒有註冊」。

除了檢驗報告，README 列出的結構化資料還涵蓋幾個一般人會想留底的項目。出院摘要可以用照片匯入，存成結構化的就醫紀錄；手術歷史與植入物（例如關節置換、心臟支架）獨立管理；過敏清單和目前用藥也各有專屬欄位。比較特別的是輻射劑量追蹤，它會把每一次 CT、X 光等檢查的劑量記下來，並用體表面積校正（BSA）加指數衰減模型來估算累積暴露，對常做影像檢查的人是個少見但實用的設計。這些資料之後都能用 /query 一次調出來，或是交給後面的專科分析與藥物查詢當背景。

這裡要誠實交代：我沒有實際安裝跑過它。WellAlly Health 的文件理解依賴 AI 影像辨識，README 在免責段說明它使用 GLM 的 analyze_image 工具來做報告理解。也就是說，辨識品質取決於這個 AI 模型對醫療文件的判讀能力，而 README 沒有提供臨床等級的準確度驗證。把報告數字抽出來建檔這件事成不成立、會不會把數值抄錯，需要你自己丟一張報告進去驗證，再對照原稿看抽出的欄位是不是正確。尤其是輻射劑量這類需要精準數字的欄位，抄錯可能影響你對自己檢查頻率的判斷，更值得逐筆核對。

同時吃幾種藥能查交互作用，但答案不能當醫囑

藥物交互作用查詢是 WellAlly Health 在臨床安全這條線上的主要賣點。README 說內建的資料庫涵蓋四類交互作用：藥物與藥物、藥物與疾病、藥物與劑量、藥物與食物，並且用一套五級嚴重度系統分級，A 代表可忽略，X 代表絕對禁忌。

操作指令是這樣的：

/interaction check      # 檢查目前用藥組合
/interaction list       # 列出所有規則
/interaction list X     # 只看絕對禁忌

概念上，它把你記錄下來的用藥清單拿來對規則庫，遇到有疑慮的組合就跳出警示和管理建議。對同時看幾個科別、領好幾種藥的人，這個功能聽起來很實用。README 也提到資料庫支援自訂規則，會留下檢查歷史紀錄，等於你可以把過去幾次查詢的結果留下來，下次回診時一併拿去問醫師。它還有一個 /polypharmacy 指令，專門處理多重用藥這個老年人常見的風險情境。

但這裡是 YMYL 紅線最不能含糊的地方。交互作用查詢的結果是參考用的提示，不是用藥指示。它不能告訴你該停哪顆藥、該減多少劑量，這類決定只有開藥的醫師和藥師能做。README 自己也把「不提供具體藥物劑量」「不直接開立處方」列為系統的設計原則。你可以把它想成一個會主動提醒「這兩顆藥可能有衝突，去問醫師」的助手，而不是一個會開藥單的系統。真正要調藥，帶著這份提醒回去找原來的醫師討論。

16 科會診與 60 道指令，能力清單看起來很全

WellAlly Health 的功能清單很長。README 列出 16 個臨床專科領域，從心內、皮膚、內分泌、消化、神經、腫瘤、骨科、小兒到精神、呼吸、泌尿、腎臟等都有，並且有一個多專科會診（MDT）協調器，用 /consult 可以觸發跨科別的整體檢視，用 /specialist 指定單一科別深入分析。除此之外還有 13 項以上的單專科分析，以及 20 個可重複使用的分析技能，涵蓋睡眠、營養、體適能、心理健康、中醫體質、口腔、視力、職業健康、復健等面向。

整個系統的 slash 指令超過 60 道，README 細分為核心資料管理、專科分析、兒童與家庭、婦女與男性健康、慢性病與老化幾大類。從兒童發展、疫苗、孕產期、更年期，到高血壓、糖尿病、慢性阻塞性肺病的慢性病管理都列入。對台灣讀者來說，比較新鮮的是它內建中醫體質分析（tcm-constitution），把體質判定也納入個人健康面向；另外像睡眠、營養、體適能、心理健康、口腔、視力這些日常追蹤，都有對應的分析技能可以長期記錄，而不是只看單次報告。

能力範圍這麼廣，要留意的是「功能存在」和「分析可靠」不是同一件事。README 沒有給出每一項分析背後的臨床驗證資料，AI 判讀的準確度也取決於背後的模型。把它當作一個把你自己的醫療史讀進來、再從多個角度給提醒的整理工具會比較踏實，而不是把它當成一套經過臨床試驗的決策系統。中醫體質、營養建議這類本來就帶詮釋空間的項目，更是適合當參考起點，不宜照單全收。

要跑它，你得先有 Claude Code

WellAlly Health 不是獨立的圖形介面 App，它是架在 Claude Code 之上的 slash 指令系統。前置條件是先安裝 Claude Code，然後在這個專案目錄裡把它打開，接著才能用 /profile、/save-report 這類指令。如果你還不熟 Claude Code 這套命令列工具，可以先看本站的 Claude Code 最佳實踐指南，對它的運作邏輯會比較有概念。

從技術架構看，它的儲存層是 JSON 檔案加上檔案系統目錄；指令系統是 Claude Code 的 slash command；專科知識靠多個 Skill 定義搭配 Subagent 架構來達成，這種把任務分派給子代理再彙整意見的做法，在本站 Agent Battery 一文裡也能看到相關討論；文件理解這一層則呼叫 AI 視覺分析加文字辨識，把照片變成結構化資料。輻射劑量追蹤還用上體表面積校正和指數衰減模型。

README 附的目錄結構把這套設計講得很具體：個人檔案、輻射紀錄、過敏清單、用藥、生化檢查、影像檢查、手術記錄、出院摘要各自有獨立資料夾，全部是純文字檔，再配一份全域索引。這代表你的醫療史不是鎖在某個資料庫格式裡，用任何文字編輯器都打得開，想搬家的時候複製整個目錄就行。對會一點程式的人，也等於可以自己寫腳本去撈特定數值，例如把幾年的膽固醇數字抓出來畫趨勢。

對使用者的實際意義是：它透過 Shell 指令操作，沒有美觀的視窗介面，也不像一般 App 點兩下就能裝。你得習慣在終端機裡打字，並且要能接受設定 GLM MCP 服務這類環境工程。對不熟命令列的人，這是實實在在的門檻；對已經在用 Claude Code 寫程式或管理任務的人，反而是順手的延伸。

誰裝了會覺得合理，誰別拿它替代看醫生

把它放回它自己的定位來看，WellAlly Health 適合的人相當明確。

想像是這樣的情境：家裡有長輩同時看心臟科、新陳代謝科和骨科，每個醫師都開藥，每家醫院的入口網站登入方式又不同，紙本藥單拿到處亂塞，回診時常被問「上次那個檢查報告帶了沒」。把這些資料集中在一個本機檔案庫，拍照就能建檔，回診前用幾個指令把用藥清單和最近檢驗值調出來，是這個工具最直接的價值。前提是你願意花時間把舊資料餵進去，也願意學一套指令操作。

第一種是對隱私特別在意、不想把醫療資料交給任何雲端服務的人，這是它的核心賣點。第二種是已經在用 Claude Code、不怕命令列的技術使用者，對這群人幾乎沒有額外學習成本。第三種是想把全家人的醫療紀錄集中在一個地方管理的人，因為它的指令涵蓋兒童、婦女、男性健康與慢性病，README 也把家庭欄位獨立出來。

反過來說，期待一套開箱即用的圖形介面 App、完全不想碰終端機的人，現階段會很挫折。想把 AI 分析直接當成就醫依據、要求醫療級準確度的人也不適合，因為它不負責診斷或治療，README 自己也講了它是個人健康管理用途，不是診斷或治療的替代品。

專案是 MIT 開源，你可以自己審視程式碼，確認資料流向真的如 README 所說的全機運算。README 也列了未來計畫，包括擴大專科覆蓋、更豐富的視覺化與匯出格式，以及本地 LLM 離線運作的選項，但目前這些都還在路上。

如果你想動手試，第一步是到 huifer 的 GitHub repo 把 README 從頭讀一遍，確認手上有 Claude Code 環境和能用的 GLM MCP，再照快速開始的順序跑 /profile 設定基本資料、丟一張舊健檢報告給 /save-report 看它抽出的欄位對不對。把 WellAlly Health 當成整理自己醫療史的私人檔案櫃，它會稱職；把它當成醫生，就是用錯了。