三诺生物使用 Sealos 加速 AI 创新，构建慢病健康普惠新路径

在慢性疾病管理领域，AI技术的应用正从炫技走向务实。但真正把AI用起来，尤其是用在医疗客服这种高敏感场景，挑战远比想象中要大。今天，我们来聊聊三诺生物——这家国内血糖监测的领军企业，是如何借助Sealos平台，把AI客服从“一本正经地胡说八道”的尴尬境地，打造成日均处理数万次对话的高效工具。

先说一下背景。三诺的核心用户群体是糖尿病患者，他们带着情绪咨询是常态。如果AI回答错误，甚至乱开药、乱诊断，后果不仅是客服绩效扣分，更可能直接影响品牌信任。用三诺算法工程师的话说：“我们的用户以糖尿病人为主，他们可能带着情绪咨询，传统 AI 经常给出错误回答，导致客户投诉率上升。”

公司简介

三诺生物本质上是一家用生物传感技术穿透慢病管理的公司。从产品线看，它覆盖了快速诊断检测、糖尿病数字健康管理等服务，目标是帮助慢病患者提高生活质量。作为行业头部企业，三诺对技术创新的敏感度很高。AI浪潮一来，公司内部迅速成立了AI探索小组，想用技术手段提升客服效率、降低人力成本。

面临挑战

想法很好，但现实很骨感。三诺的AI探索小组很快发现了几个棘手问题：

• 大模型幻觉问题
  ——模型输出不稳定，经常给出看似合理但实际错误的答案，这在医疗场景下是致命的。

• 开发部署复杂
  ——传统AI开发流程繁琐，代码量大、环境配置复杂，运维难度高。

• 资源成本高昂
  ——模型训练和推理需要大量计算资源，传统模式下资源利用率低，成本居高不下。

• 团队协作困难
  ——AI探索小组成员并非都是算法专家，传统开发模式让他们很难快速迭代。

一位三诺算法工程师坦言：“我们之前的技术路径受限于 Langchain 框架，只有具备编程能力的团队成员才能做，而且在实际应用中我们发现，大模型直接输出存在‘幻觉’现象，他经常说一些不着边际的话，这种AI输出与业务需求脱节的问题，实际上是当前行业普遍面临的挑战。”

简单说，大模型这把刀很快，但用不好会伤到自己。

为什么选择 Sealos？

在对比了多种方案后，三诺最终锁定了Sealos。理由很直接：它能同时解决开发门槛、资源弹性和稳定性三个核心痛点。

具体来说：

1. 简化开发流程
   ——Sealos提供的云开发和Devbox工具，让开发者不需要关心底层基础设施，只需编写业务逻辑就能快速部署。它旗下的FastGPT更是提供了强大的AI编排能力，能把知识库、模型调用、输出核验等环节串起来。

2. 弹性资源调度
   ——基于Kubernetes构建，能根据实际负载自动调整计算资源，高峰期自动扩容，低谷期释放资源，不浪费。

3. 高可用性保障
   ——容器化架构加上Kubernetes的自愈机制，即使某个节点挂了，系统也能自动恢复，减少服务中断时间。

4. 与阿里云深度合作
   ——底层基础设施跑在阿里云上，数据安全性和稳定性有保障。

三诺算法工程师回忆：“我们在使用当下就很震惊，Sealos 在开发和运行等方面确实非常的好用，并且普通人都能很快上手。”

实施过程

三诺的AI客服开发分了两个阶段，路径清晰：

• 先用FastGPT的UI界面做内部测试，快速验证AI客服的核心功能。

• 通过可视化编排，实现了从用户问题分类 → 知识库检索 → 大模型核验 → 结构化输出 → 人工抽查的完整流程。

• 重点解决“幻觉”问题：大模型只负责幕后任务，最终输出仍为客服审核过的话术和图片视频素材。这相当于给AI加了一道安全锁，杜绝了捏造、错误引导、乱开药、乱诊断的风险。

1. 技术栈组合

   • Sealos 云操作系统
     作为基础平台。

   • Sealos 云开发
     用于灰度调度、消息解析、记忆缓存、异常状态监测、Ican 平台 API 接入等定制功能。

   • FastGPT
     通过 API 对接三诺 APP 和 CRM 系统，日均服务5~6千位用户，处理2~3万次对话。

   • 关键优化措施
     ：
     • 第一层：基于规则引擎的关键词过滤。
     • 第二层：人工审核样本的持续学习。
     • 在FastGPT流程中增加双重校验机制。
     • 采用Sealos弹性伸缩策略，应对早晚高峰流量波动（峰值QPS从15提升到45）。

三诺算法工程师表示：“我们现在的技术栈是 Sealos + 云开发 + FastGPT 的组合，这套方案既能通过 FastGPT 的流程编排降低开发门槛，又能用云开发实现定制化业务逻辑。比如最近客服希望AI收到的催发货信息能发到企微，从需求提出到上线只用了3天。”

效率提升 20%，成本降低 50%

数据是检验成果的唯一标准。通过使用Sealos，三诺AI客服的效果非常直观：

• 客服效率提升
  ——灰度测试中，AI客服能一次性解决约20%的用户问题，直接降低了人工客服的工作量。

• 开发效率提升
  ——开发周期从几天缩短到几分钟，真正实现了“一天和一分钟的区别”。

• 资源成本降低
  ——IT硬件资源成本降低了50%以上。

• 团队协作改善
  ——非专业开发人员也能参与AI应用的开发和维护，团队协作效率大幅提升。

三诺全球客服中心经理也给出了一线反馈：“我们主要这边体现的是从人力节省方面，我们基本上按照现有的框架梳理出来的这个客服模型的话，大概能提效13%~20%左右。”

未来展望

三诺对AI的期望显然不止于客服。他们计划将Sealos应用于更多场景，并积极探索更深度的技术合作：

• GPU 资源需求
  ——Sealos接下来会上线独立的GPU可用区，满足三诺在AI模型训练和推理方面的需求。GPU资源将支持直接运行模型、使用Docker镜像部署大语言模型以及微调训练等多种场景。同时，Sealos还会提供完善的GPU资源管理工具，帮助企业更好地管理和优化GPU资源的使用。

• 异地多中心架构
  ——针对数据库异地备份需求，Sealos团队将邀请数据库专家与三诺团队一起进行配置。虽然配置过程较为复杂，但通过持续增量迁移功能可以实现异地多中心架构，提高数据容灾能力和系统高可用性。

• 拓展 AI 应用场景
  ——三诺的终极目标是实现AI医疗，计划将AI做成智能体，从当前的客服场景逐步拓展至健康管理师、医生助手、多渠道覆盖（包括医院、ToB等）、智能慢病管理等多个方向。

• 规模化部署
  ——三诺计划在本月开启大规模试运行，重点关注服务器稳定性保障、高峰期资源调配和用户规模扩展（预计APP日活用户将增长三倍）。

如果说第一阶段是验证AI能不能用，那么下一阶段就是让AI真正成为一个智能体，渗透到慢病管理的每一个环节。

总结

三诺生物的经历是医疗行业数字化转型的一个缩影。从大模型“答非所问”到日均处理2~3万次对话，中间跨越的不只是技术栈的更替，更是一套从“模型输出”到“业务交付”的完整工程化思维。随着三诺2代CGM产品上市，未来预计日均处理5~6万次对话。

当看到客服人员从重复劳动中解放出来，转而处理更有价值的服务及慢病沟通时，我们更加确信：