DeepSeek临床应用分享 | 巧用上下文记忆，降低幻觉发生

来源：HIT专家网 作者：北京友谊医院 王凯文（王力华推荐）

【编者按】

北京友谊医院满血版DeepSeek大模型于今年2月20日正式上线，为院内职工提供智能问答服务。上线至今，日均访问量约3000次，累计访问量超22万次。为更好地助力临床应用，北京友谊医院医学数智创新中心组织了系列应用访谈，挖掘来自临床一线的需求并分享用户使用心得。

本文是来自北京友谊医院神经外科医生王凯文的分享。

就在近两月，院内部署的大语言模型 DeepSeek开始向各临床科室开放。这次受数智中心邀请，分享一下我的临床使用心得，以及这几年来我对大模型的学习和理解。

大模型刚部署不久，我听到有同事抱怨：“医院的 DeepSeek 幻觉巨大，瞎编药名、捏造文献，根本没法用。”这和我的实际使用感受有很大差异，在简单调研一番后，我发现大家使用的典型场景是这样的：

XX医生在同一对话里先让大模型帮忙撰写出院小结，随后又让它生成健康宣教材料、查询指南证据、翻译英文文献摘要……几百行上下文越塞越多，最终模型在回答任何问题时都开始天马行空——因为它分不清你到底正在处理哪位患者、哪种科室或者哪篇文献。

我认为，要想真正利用好DeepSeek，首先要弄清下面几个问题：

（1）人工智能真的会“记住”我们与它说过的话吗？

（2）它会不会越聊越“跑题”？

（3）什么时候应当结束当前对话、重新开一个窗口？

只有把大模型的原理弄明白，才能发挥其知识库、思维链推理和文本生成的长处，又避开容易出现“幻觉”的问题（模型偶尔会返回错误的结果）。

人工智能真的会“记住”我们与它说过的话吗？

大模型的“记忆”其实来自上下文而非模型学习。每当我们追加一句，系统都会把这句话连同尚未被截断的全部历史对话，一起送进模型推理；模型据此生成新的回复，但并不会改变内部参数。

因此，它记住的仅仅是“对话中目前还能装下的文字”。当对话过长时，最早的一部分内容可能会被截断，导致模型“遗忘”之前的对话或指令。如果对话持续很久或者文本很多，之前关键信息未必能一直被“记住”。

例如，在同一个窗口里连续讨论三位患者，当突然追问A 患者的胰酶指标意义时，模型可能早把A的检验片段截断，只剩B、C患者的部分信息，自然会输出错误回答。

它会不会越聊越“跑题”？

先给一个结论——会的！仅从我自己这两年的大模型使用感受来看，在一个多轮对话中，输出质量往往会呈现一个“先升高后下降”的过程。将这个现象结合上一段阐述的记忆机制来看，就很容易理解了：前期，随着对话增加，模型获取的上下文信息增加，从而输出了更具有针对性的结果；随着上下文内容进一步增加，针对下一次输出的有用信息减少，噪音增多，最终导致质量下降。

我们可以具体分为以下三种情况。

1.上下文混淆

在对话窗口中，模型会将最新的一段对话连同之前的部分内容（取决于上下文长度）一起作为输入进行推理。若多个主题互不关联且内容庞杂，就会使得模型在处理当前问题时难以分辨哪些信息与当前问题最相关，可能混用不同来源的信息，导致回答出现偏差或“幻觉”。

2.上下文长度限制

大语言模型有一个“上下文窗口”或“Token上限”。当对话内容越来越多且大部分与当前主题无关时，就会挤占可用的上下文空间。模型为了生成新回答，往往得截断超出长度限制的最早部分对话。这意味着先前或当前的关键信息可能被误丢弃，导致答非所问或出现凭空捏造的情形。

3.干扰与冲突信息

如果前后对话中有对同一概念的不同定义或者相互冲突的信息，也会让模型推理更加混乱。例如，如将两名不同疾病患者的信息在同一个窗口下发送给DeepSeek，后续得到的回复很大概率都会出现错误。因此，确保一个窗口在同一“主题”下进行讨论十分重要。

什么时候应当结束当前对话、重新开一个窗口？

基于这一机制，我在日常工作里形成了一个简单的分界：如果后续任务仍需前文信息（比如刚生成的大病历需要基于这些信息去讨论患者诊断和鉴别诊断，或根据与模型讨论相关疾病信息后生成治疗计划），就继续在原窗口交流；反之，只要主题完全切换到第二位病人，或者已经与DeepSeek 交流过长、内容过于复杂时，便立即另起窗口，给它一个干净的上下文。

依据经验，当连续收治三四位患者时，“一人一窗口”最稳妥；而对同一名患者反复更新资料，也要注意相关资料是否与该次讨论的主题相关，有时“一人多窗口”也是一种方法。这样既能保持记忆连贯，也避免把无关段落拖进模型视野里搅乱思路。

结语

DeepSeek 的出现，实际上形成了一种“把时间还给思考，把注意力还给病人”的新局面。我相信，只要认识到模型“记忆”的本质，掌握“何时继续聊、何时新开窗口”，人工智能就能减少错误的发生，成为临床的稳健助手。

真诚欢迎全院同仁共享各自的提示词和场景经验，让数字伙伴在我们的手中不断进化。若在使用过程中有任何疑问或宝贵的使用经验，欢迎随时与我们交流分享。（本文由北京友谊医院医学数智创新中心办公室副主任王力华推荐，仅供同行学习交流，不作为诊疗依据。）

【责任编辑：陈曦 版式：明超】