来源:HIT专家网 作者:李阳
2026年6月,胜利油田中心医院信息中心尝试使用AI开发工具WorkBuddy辅助开发了一套“网络安全工单管理系统”,初衷是解决网络安全管理缺乏线上化记录的业务痛点。但在实践过程中,我们发现这件事的意义可能不止于一个系统,它让我们重新思考信息部门在医院数字化转型中的定位。以下是我们的实践经历与体验思考,供同行参考。

借助AI Coding破局传统业务痛点
医院网络安全和机房管理的各环节,如工单流转、安全检查、漏洞管理、机房管理、应急演练、通报整改等,缺乏有据可查的线上化记录,难以满足相关评级要求。此外,几个长期存在的技术难点,促使我们下定决心突破传统开发模式,依托AI工具开展“网络安全工单管理系统”自研建设:
(1)态势感知、基础告警等平台每天产生海量日志,但大量告警淹没在噪声里,安全人员疲于甄别,真正有价值的安全事件和故障反而容易遗漏。
(2)缺乏基于态势感知、可量化记录的安全事件闭环处置工具。从告警触发到处置完成,整个过程散落在工单系统、微信群、电话记录里,无法形成完整链路,事后追溯困难。
(3)医院部署了不同品牌的备份、动力环境监控、防病毒系统,各自为政,无法准确自动生成和推送工单。运维人员要在多个平台之间来回切换,不仅效率低,而且容易出现告警漏接。
这三个问题归结起来是一个核心矛盾:安全数据有了,但没有流转起来;告警产生了,但没有形成闭环。我们需要一套能打通“发现—记录—处置—归档”全链路的网络安全工单管理系统,把散落的数据和管理动作串联起来。
信息中心评估了几类系统建设路径:直接采购的速度最快,但医院安全流程里有很多“非标准动作”(如演练与整改联动、备份台账异构对接等),外采系统无法完全适配,二次开发成本高;信息中心自研,最贴合业务流程,但人力紧张,自研进度无法保障。
综合权衡后,我们尝试了第三条路径——AI辅助自主开发。在使用WorkBuddy后的两周时间里,我们完成了系统从开发到上线的全过程。图1、表1分别是系统的架构图与模块功能介绍。

| 业务模块 | 核心功能 | 对应合规要求 |
| 工单管理 | 创建/流转/完成/评价全生命周期 | 运维可追溯 |
| 安全管理 | 安全检查、渗透测试、漏洞管理、通报整改 | 等保要求 |
| 应急管理 | 演练记录、预案汇编、演练计划、事件处置 | 原电子病历五级 |
| 备份管理 | 数存/戴尔/异地备份监控与台账 | 数据安全要求 |
| 机房管理 | 设备台账、虚机管理、动环监控 | 运维规范 |
| 其他 | IP业务、日常巡检、数据分析、用户管理 | — |
AI辅助开发不等于“让AI替人写代码”。实际过程中,真正有技术含量的是前期的业务设计和后期的质量把控。以应急管理中的“事件处置”模块为例,我们将医院内部管理文件《恶意代码防范控制程序》和实际使用的Excel台账提供给WorkBuddy,使其能够理解制度文件中的流程设计,并转化为“监测—处置—培训—复测”四阶段的数据库结构。但这个结构是否符合业务实际,每个字段的含义是否准确,仍需要业务人员逐项确认。
AI工具扮演的角色,更接近于一个能快速理解需求并产出初版实现的“技术合伙人”。它大幅压缩了从需求到原型的时间,但最终的业务正确性仍然由人负责。
实际成效
从6月初启动研发到最终系统上线,我们总共耗时两周,由信息中心一名研发工程师使用WorkBuddy辅助完成。图2-图4为部分系统截图。



系统目前的代码量约为18000行Python,涵盖9大业务模块、30多个页面路由、50多个API端点、10余张数据库表。为兼顾部署轻便与迭代速度,后端以Flask为主框架,持久层使用SQLite(单机环境可自包含、备份可用文件级拷贝),附件与上传通过本地目录管理;前端图表采用Chart.js实现轻量可视化,Excel模板导入导出通过OpenPYXL处理。整体设计以“可用优先、可控优先”为基本原则,后续可按需迁移到更重型的数据库与队列方案中。
表2是采购商业软件与AI辅助自主开发两种模式的研发效率与成本对比。
| 对比维度 | 采购商业软件 | AI辅助自主开发 | 变化 |
| 采购周期 | 2—3个月 | 约两周 | 缩短约80% |
| 开发成本 | 10万—20万元 | 工具订阅费 | 降低99%以上 |
| 代码量 | — | 约18000行Python | 9大模块/30+页面/50+API |
| 需求响应 | 走变更流程,周期以周计 | 对话即迭代,周期以小时计 | 灵活性显著提升 |
| 文档理解 | 人工撰写需求文档传递 | 直接提供制度文件和台账模板 | 需求损耗大幅降低 |
| 后续维护 | 依赖软件方 | 自主可控 | 可持续性提升 |
WorkBuddy生成的代码经过审查后,采用率约90%,剩余10%需要人工调整。调整主要集中在四类情况:
(1)业务规则对齐。统计规则、字段含义等需要与实际台账完全一致,如KPI面板的计数逻辑。
(2)交互与导航约定。导航结构、页面布局等用户体验层面的调整,如子标签显示规则。
(3)页面与模板复用策略。多个相似页面的模板复用、参数化设计,如备份监控页面的统一模板。
(4)框架约束导致的实现绕行。如Jinja2模板不支持from_json过滤器,改为Python端预解析。
90%代码采用率的背后,有一个值得注意的变化:开发者的角色从“代码生产者”转变为“代码审查者和业务设计者”。AI接管了建表、写CRUD、搭页面框架等重复性工作,我们把大部分精力花在另外10%的事情上:业务规则怎么设计、用户体验怎么打磨、安全合规怎么保证。换言之,AI处理了执行层面的工作,让人能专注于判断层面的工作。
心得体会
第一,AI辅助开发真正改变的不是“速度”,而是“可行性”。
以前信息部门想自主开发一套系统,最大的障碍不是技术能力,而是时间和精力的投入产出比。一个人写代码,光数据库设计和增删改查就要耗去大半时间,留给业务思考和用户体验的精力所剩无几。AI工具接管这部分重复性工作之后,信息部门才真正有能力去思考“这个系统应该怎么设计”而不是“这个系统怎么写出来”。这不是效率的提升,是可行性的跨越。
第二,需求理解能力比代码生成能力更重要。
在我们的实践中,WorkBuddy展现出了一个值得关注的能力:它能够阅读制度文件(如《恶意代码防范控制程序》)、Excel台账模板,从中提取业务规则并转化为系统设计。这意味着,信息部门的价值正在从“代码实现”向“需求定义和业务理解”转移。能否准确描述业务问题、能否提供高质量的需求文档,比能否写好代码更加重要。AI工具降低了技术门槛,但反过来提高了业务理解的门槛——你得能说清楚你想要什么,AI才能帮你实现。
第三,业务侧的收益远大于技术侧。
效率提升是手段,不是目的。这套系统上线后,真正有价值的变化在于:以往散落在邮件、微信群、纸质文件中的管理过程,现在有了统一的数字化载体。以渗透扫描为例,从收到渗透扫描任务到归档,全程留痕、状态可查、历史可溯。又比如应急事件处置,基于制度文件设计的四阶段全生命周期管理,让每一次安全事件的监测、处置、培训、复测都有据可查。这种“从无到有”的能力建设,比单纯的效率提升更有意义。
第四,编程开始融入工程师的个性,系统有了“人味儿”。
传统开发出来的系统,长得都一样——标准模板、标准流程、标准按钮,看不出是谁做的,也看不出为谁做的。但用AI辅助开发,开发者可以把自己的审美、习惯甚至幽默感写进去,如导航栏叫什么名字、KPI面板用什么配色、空状态页面放什么提示语等。我们系统里有个告警模块,我们让WorkBuddy打造了一个“小钻风”形象,在数据分析及告警推送中都有引用(图5),“大王让我来巡山”的“小钻风”非常贴合工单角色设定。这不是抖机灵,而是一种情绪价值。当工程师能够在系统里留下自己的印记,这套系统就不再是冷冰冰的工具,而是带着温度的作品。AI让编程从“搬砖”变成了“创作”,创作者的个性恰恰是AI本身无法替代的部分。

未来思考
黄仁勋曾说:“AI不会替代工程师,但不会使用AI的工程师可能会被替代。”这句话在医疗信息化领域同样适用,但需要做出一个重要限定——这里说的“使用AI”,不是会用某个工具那么简单,而是具备在医疗业务场景中判断AI适用边界、定义AI任务、审查AI产出的综合能力。人人都能学会用工具,但“知道什么时候该用、什么时候不该用”的判断力,才是真正的壁垒。
不过,我们也注意到,AI开发工具的能力提升速度,明显快于医疗行业配套规范的建设速度。这个落差带来了几个现实矛盾:
一是工具门槛降低与风险管控能力的矛盾。一个人就能开发一套系统,但医疗信息系统的安全审计、版本管理、质量追溯体系等,还没有针对AI辅助开发模式做出调整。
二是数据价值挖掘与数据安全边界的矛盾。AI发挥作用需要数据,但医疗数据的敏感性和监管要求决定了数据使用必须有明确边界,目前这个边界还比较模糊。
三是技术应用热情与人才储备的矛盾。很多医院信息部门对AI应用有兴趣,但既懂医疗业务又理解AI工具能力的复合型人才严重不足。
这三个矛盾如果长期得不到回应,“不会使用AI的工程师会被替代”就会变成一句空话,因为没有人告诉他们“怎么用才是对的”。
回到一个根本问题:AI工具对医院信息部门意味着什么?
我们的体会是,它意味着信息部门第一次拥有了“低成本快速验证想法”的能力。过去一个好想法要变成可用的系统,需要走很长的路;现在这条路短了很多。这种变化让信息部门有机会从“需求承接方”转变为“方案供给方”,主动发现问题、主动设计方案、主动落地实现。
但工具终究是工具。系统好不好用、安不安全、符不符合业务实际,归根结底取决于人的判断。AI提高了执行的效率,但方向的选择、风险的把控、价值的判断,仍然是人不可推卸的责任。工具越强大,对使用者的要求越高,而不是越低。真正不会被替代的,不是会用AI的人,而是能驾驭AI、能在专业领域做出正确判断的人。医疗信息化领域尤其如此,因为这个领域容错率低、业务复杂度高,人的经验、判断和担当,恰恰是AI最无法替代的部分。
对于还在观望的同行,我们的建议是:不必等所有条件成熟再开始,可以先选一个痛点明确、风险可控的内部需求作为“试验田”。选择标准有三:一是业务价值实在,解决真问题;二是不涉及患者数据,风险可控;三是系统规模适中,能在短期内见到成效。
我们选的“试验田”是网络安全工单管理系统,它不涉及临床业务,数据敏感度低,却能为合规落地、支持评级提供有力支撑。通过这个项目的实践,团队对AI工具的能力边界、适用场景、风险点都有了第一手认知,这些认知比任何外部培训都来得实在。
试成一块,再逐步扩展。循序渐进比全面铺开更为稳妥。
【作者简介】
李阳,胜利油田中心医院信息中心工程师,山东省信息网络安全协会医疗分会委员,东营市网络安全人才与创新中心优秀讲师,荣获2025年度山东省网络安全先进个人称号,拥有PMP高级项目经理、网络安全能力认证(CCSC)、信息安全工程师认证(全国计算机技术与软件专业技术资格)、数据库工程师认证(OCP)等认证资格。

精彩不容错过!

我们将尽快与您联系!
【责任编辑:蒙辉】
HIT专家网


评论前必须登录!
注册