一方面，医学任务有着严格且多样的规范标准。诊疗过程需遵循权威手册，学术论文报告撰写有结构化范式，不同刊物对格式、图表等均有明确要求，院内信息管理系统也有固定书写格式。大模型难以全面掌握这些标准，尤其是院内未公开的特定规范，而医护人员借助提示词，能精准告知大模型需参考的标准，确保任务执行合规。

大模型通过公开成文数据集训练，而大量临床经验存在于医生实践中，难以通过预训练让大模型掌握。以分析症状病因为例，医生会结合患者自身特点、生活习惯、病史、用药史等逐步定位病因，大模型缺乏这种符合临床思路的推断能力，需要医生提供从哪些方面考虑的见解以定位问题。以医患沟通为例，有经验的医护人员会根据患者年龄、文化背景、教育程度等，以合适口吻下达医嘱。大模型没有针对不同对象给出合适话术的意识，只能给出通用内容。通过提示词告知大模型患者背景信息等，可使其从更合适角度表达医嘱，让患者更好接受。

当前大模型仍存在“幻觉”问题，难以做到 100% 精准输出。提示词如同“质量把关员”，能有效约束大模型的输出内容，避免其生成不准确甚至错误的信息，从而确保大模型在医疗场景中得出的结论更加可靠，为医疗决策提供坚实支撑 。

通过模拟三甲医院病案控制专员角色，向 AI 输入《入院记录书写规范》及真实病历样本，要求其从模块完整性（主诉、既往史、用药史等 7 大模块）、术语准确性（避免模糊表述）、格式规范性（时间记录标准化）等维度进行审查。AI 不仅能精准定位缺失项（如主诉未量化），还可提供修改建议并完成润色，助力医护人员提升病历质量。

基于优化后的入院记录，AI 结合诊断逻辑（如病情评估、鉴别诊断、诊疗规划）自动生成首次病程记录。通过多轮追问（如 “是否考虑患者职业因素对病因的影响”），可进一步完善分析维度，确保结论严谨。

针对语音转写的会诊内容，AI 可快速提炼讨论背景、病情要点、专家观点及诊疗方案，形成结构化纪要，提升医疗协作效率。

以新型降压药疗效对比研究为例，AI 对包含患者基线特征、疗效指标的数据集进行自动化检查，识别异常值（如血压值逻辑错误）、编码一致性问题，并生成可视化分析报告，为后续统计奠定基础。

基于预设的主次要结局变量（如收缩压达标率、舒张压差值），AI 可推荐合适的统计方法（如卡方检验、t 检验），生成代码并解读结果。通过 “通俗化转述” 指令，复杂统计结论可转化为临床易懂的自然语言，降低跨学科沟通成本。