傷寒論臨床決策輔助 WebUI (shanghanlun-assistant)

以《傷寒論》六經辨證為骨架的臨床決策支援 WebUI：八綱快診 → 六經定位 → LLM 追問 → 方證推論 → 醫囑選方 → 服藥觀察 → 加減/救逆。

功能（v0.6.1）

• 雙診模式：⚡ 快診（主訴 LLM 抽取 + 八綱 4 題）/ 📋 詳診（望聞問切 8 步）
• 推論引擎：症狀×六經權重矩陣 + 互斥組 + 鑑別問答 + 病人 modifier（孕/老/小/病史×方證禁忌）+ 救逆標籤
• LLM 整合（本地 llama.cpp，全部安全降級）：主訴症狀抽取、依主訴動態追問（含加減項生成題）、方證 rerank、選方後 RAG×LLM 加減項建議、舌診照片 VLM
• 七典 RAG：金匱要略/溫病條辨/備急千金要方/景岳全書/萬病回春/醫宗金鑑/醫林改錯，9,452 chunks + jina embeddings，推論頁「典籍出處」+ Library 跨典檢索
• Library：傷寒論 398 條 × 4 版本對照（宋本/張卿子/來蘇集/桂林古本）全文搜尋
• UI 素材：59 張 MOSS-Image-SFT 生成（icon/教學插圖/海報），詳見 v2_moss_p0/REPORT.md
• SQLite server-side session（非 cookie）、多語系 zh/en/ja、Flask SubpathMiddleware（Tailscale Funnel /shanghanlun/）

執行

pip install shanghanlun-assistant   # 或 clone 後: cd webui && pip install flask
python3 -m webui.app                # :8501, http://localhost:8501/shanghanlun/

LLM 端點（可選，無則規則引擎獨立運作）：llama.cpp :8080（主模型）、:8085 thinking-off proxy、:8082 jina embeddings。 RAG 語料重建：corpus/build_rag.py（需先 clone TCM-Ancient-Books，見 script 內說明）。

RAG 語料（可選）

語料檔（246MB 古籍 clone + embedding 向量）不入 git，由腳本重建：

pip install -r requirements.txt   # numpy + opencc 一併裝
./corpus/setup_rag.sh             # clone 古籍庫 → 切塊繁化 → embedding

不建置也能正常使用——RAG 相關面板自動隱藏，其餘功能不受影響。

Embedding 後端選擇（本機或雲端）

到 webui 的「⚙ 設定」頁可切換：

• 本機 :8082（預設）：llama.cpp 跑 jina-embeddings-v5-small-retrieval-Q8_0，免金鑰、免費
• Jina AI 雲端（建議給沒有本機 embedding server 的部署）： 建議模型 jina-embeddings-v5-small-retrieval（與本機同款）。 申請方式：
  1. 到 jina.ai → 右上 Sign up（Google / GitHub 登入即可，免信用卡）
  2. 到 jina.ai/api-key 點 Create API Key，複製 jina_xxxx...
  3. 貼進「⚙ 設定 → Embedding 後端 → Jina API Key」儲存 免費額度對建置整個七典語料（約 150 萬 tokens）綽綽有餘。
• 自訂：任何 OpenAI 相容 /v1/embeddings 端點

建置腳本 corpus/build_rag.py 會自動讀 webui 設定頁的 embedding 設定，也可用環境變數覆蓋：EMBED_URL / EMBED_MODEL / EMBED_KEY。

授權

Apache-2.0（見 LICENSE）。UI 素材由 MOSS-Image-SFT 生成（該模型 Apache-2.0）。 七典文本來源：TCM-Ancient-Books（古籍公有領域）。