是时候把自己和家人的体检报告交给AI管理了
自己可以不懂
但我们的AI必须要懂,还要会持续帮我们管理
开源高赞健康管理项目
又一次提升了AI的使用范围
《非医学生如何靠codex+Mirobody skill 帮家人看体检报告单》
我一个大学生平时压根不怎么看体检单🤣
体检报告、医院化验单啥的直接拍个照发给AI,但总觉得还是差点什么。
今天刷到了一个开源,叫Mirobody,它能把体检报告、手环数据和基因文件整合成同一份标准记录,回答里每个数字都标明来源、能点开原文件。
(Apache-2.0开源,截至2026年11月18日在GitHub上有1,554星,digital-health话题星标第1)
安装步骤:
1.准备好你要看的体检单、化验单或者Apple Health导出包(没体检单你分析个蛋😠 可以先拿虚拟指标试水)
2.安装好随便一个agent,比如codex、deepseek harness、claude code、cursor等
3.让agent安装好Mirobody的skill并自检,直接给agent发:
请将公开仓库 github.com/thetahealth/mirob… 中的 skills/standardize-health-data 下载并安装为本地 Skill(或执行 npx skills add thetahealth/mirobody --skill standardize-health-data),安装后用虚拟指标跑一次 uvx --python 3.12 mirobody resolve "Total Cholesterol" "总胆固醇" "血脂" 验证离线解析是否正常(Windows终端若中文乱码先设 PYTHONUTF8=1)。
4.装好之后(实测下个包十几秒搞定,离线不花API Key),直接把中英文体检单、化验指标或者手环导出喂给agent,让其调用skill先把名字和单位统一成标准编码再分析。
最nb的是遇到“血脂”这种笼统大类词,它会直接返回unresolved拒绝瞎猜,公开文档里中英日等6种语言的347项常规体检识别测试全对。
5.如果想给不咋折腾手机的爸妈长期代管一份健康档案(开源版自带家人功能),也是直接给agent发:
请阅读公开仓库 github.com/thetahealth/mirob… 中的 skills/mirobody,用 COMPOSE_PROFILES=local-cpu ./deploy.sh 帮我在本机100%本地部署。
(16GB内存没显卡的电脑也能跑,就是纯CPU第一次回答要等几分钟)
Tips:
1.如果部署了完整版去设置里生成MCP接入链接,那个链接相当于密码,截图或录屏发出来前必须打码!
2.把体检单喂给codex、claude code、cursor、gemini cli这类云端agent分析时,记录是会发给对应模型公司的;介意的话就按第5步让agent给你跑100%本地部署。
3.结果仅供参考,不做诊断和治疗哈。
懒得开agent的兄弟也可以先去中文demo点点看预设问答(里面是两位虚拟成员的2,019条虚拟数据,想自己提问需要注册或自部署): chat.mirobody.cn/demo
觉得有用的话可以去GitHub点个星,跑出认不准的词也可以顺手提个issue或PR: github.com/thetahealth/mirob…
4
4
72
看到一条值得研究的开源消息:判断和生成,正在被拆成两件事做。
起因是算力账。通用模型在浏览器里操作一次,平均开销比复杂推理还贵 4.8 倍。硅谷开始卷「只判断、不写字」的决策模型,谷歌刚发了闭源 Gemini Decision 1。
开源这边杀出 Karpo Decision 31B。Decision Index 300 个模型同台,它 73.9 分排第一;0.8B 到 31B 全尺寸开源。
几个数字:
· 单卡中位延迟 94ms,初代标杆 Jev 1.14 是 196ms
· 私有盲测公开榜前十平均掉 6.8 分,它只掉 4.3
· 每千次决策 0.025 美元,4 万次判断 1 美元
· 城市扫描 36 场活动,1.12 秒全答完;对照的通用模型 5 秒还在蹦字
原理就一句:砍掉逐字解码,在底座末尾接个读出头,一次前向给最多 255 个选项同时打分。不写 Token,也就不会输出格式错误的废话。
更值得看的是怎么练的:公开集 60% + 陌生领域 40% 综合考评,赢过上一代才晋升;5 个检查点权重直接平均,推理开销还是 1 倍,陌生领域反超 1.6 个点。而「正反读选项再取平均」这类刷榜技巧被砍了——延迟翻倍到 162ms,泛化一点没涨。
选决策模型别只看公开榜。看三样:私有盲测跌幅、校准误差 ECE、单次决策成本。公开分能刷,这三样刷不动。
搭了个基于 gemini-decision-1 的视频逐帧质检工具,拿我以前发过的几条成片实测跑了一遍。
本来以为导出来没啥问题,结果 1 秒抽 1 帧扫下来真揪出一堆当时没看出来的翻车:
- 提示卡片直接糊脸上
- 动画圆点精准压在字上
- 字幕切换瞬间两层叠重影
- 框内文字掉到底边黑线上
十几秒扫一条片,0 输出 token,后面终于不用靠人眼硬盯整条时间线查错。
2
2
81
1. ★ 都说 AI 能替代剪辑师,我干脆拿四个 AI 剪辑 skill 剪同一段口播,用的是同一个模型。四个剪出来我觉得都能用,都比我自己手剪的好。差别不在工具,在我有没有把它用全。
2. 我另找了个 AI 打了个参考分:43、39、39、28。这个分我没有太当真,萝卜青菜各有所爱,每个人审美不一样。
3. 50 多星那个,第一轮我用一键命令,只出了半分钟;照着说明书重做,完全是另一个水平。
4. 一个 8 万多星,一个 3000 多星,一个 800 多星,一个 50 多星。同一段素材,四种剪法放在一个画面里对比。
5. 能不能超过剪辑师,我不敢说。但这四个,都比我自己手剪的好。
2
75
脑虎“三全”脑机接口最新数据:连续任务一次性完成率84%,时延<50ms,多设备切换准确率近100%,抓取成功率>95%。🔥🔥🔥
84%不是“还差16%”的遗憾,而是——出门、避障、购物、居家这一整条链,多数时候不用再喊人帮忙。他终于不是被搬运的人,而是自己走完一段路的人。
这才是AI的真正意义:不是参数榜,不是估值,不是让强者更强;是用AI改造世界,让其他人更幸福,把不幸的人从身体和环境的牢笼里解救出来。
所以我也更期待AI在医疗里做更多事,尤其是癌症——早筛、靶向、疗效预测、新药发现,让更多被病困住的人重新拿回生活。
再往后想一步:今天脑控手套抓杯子、轮椅出门、人形机器人接力;明天就是外骨骼、救援机甲、工业重型机械——人脑意图+AI读环境,机械成为身体的延伸。高达不是中二幻想,是控制论走到足够可靠后的自然外延。
87
让 AI 帮忙检查视频有没有问题速度
又慢又费钱。😂😂
昨晚我拿 Google 新出的免费接口 gemini-decision-1 搭了个自动审片小工具,实测完 60 秒视频(就是和jev一样的,不过它还可以看图)💪:
只做“选择题和打分题”。丢给它一张图,顺手挂上 6 个问题(文字有没有出界、字幕有没有挡住图表、画面糊不糊等),它半秒钟直接吐出“是/否的概率”和“几分”,0 废话输出(完全不花输出额度,谷歌实验室api免费💴)。
我用脚本把视频“每秒截 1 张图”,跑了两轮实测:
1)43 秒的真实口播视频:12.1 秒全部扫完,0成本。
2)60 秒的故意藏错测试片:67 秒扫完 60 张图,零报错;文字被截断、字幕遮挡图表、连续 9 秒画面卡死不动、黑屏模糊全部精准抓出来,还自动挑出最严重的 Top 3 问题截图。
实测踩出的 3 个大坑,想抄作业必看:
只把图片尺寸缩小没用,必须开“省流开关”我本地把截图压到 512 像素宽,结果接口还是按高清大图扣额度(1,100 Token/张);必须在代码里显式加上 resolution="low",消耗才直接降到 264,立省 76%,而且该抓的错一个没漏。
免费版不怕你“问得快”,怕你“一次吃太撑”AI Studio 免费版限制每分钟最多 5 万输入额度(TPM)。一窝蜂把 60 张图全砸过去,后台会自动卡死重试 30 多秒;改成像高速收费站一样按额度匀速排队发请求,全程丝滑扫完,一次限流报错都没有。
查“画面卡没卡住”,别花冤枉钱问 AI我试过把前一秒和后一秒两张图一起传给 AI 对比,结果图片额度直接翻倍。后来想明白了:两张图一不一样,在自己电脑上用代码对比像素差就行,0 成本一秒搞定,省下额度让 AI 专注看排版。
以后我剪视频就固定用这套组合拳: 先让这个“选择题模型”当保安,10 几秒扫完一整条片子,只揪出最可疑的 3 张问题截图; 再把这 3 张高清大图交给最聪明的大模型去改代码、修排版。
目前只在测试片和 1 条口播素材上跑通,还没拿以前真实翻车过的几条老视频验证误报率,所以先当内部小工具用着,跑稳了再继续迭代。
4
2
349







