用FalkorDB构建自主语音医疗代理：14ms完成急救分诊

大多数医疗AI项目只是礼貌的问答机器人：你说发烧，它建议喝水看医生。但真正的急救分诊需要实时连接症状、过敏史、医院床位和专科医生，并在救护车出发前采取行动。开发者Roshni Mishra在FalkorDB Graph Hacks中构建了CareGraph AI——一个基于图数据库的自主语音代理，能在14毫秒内完成5跳关系查询，自动预留ICU床位并通知医生。

为什么向量搜索和SQL在急救场景失效

构建之前，作者考虑过用Pinecone或Postgres。但向量嵌入擅长文本相似度（比如“肺炎症状有哪些”），却对结构化图约束无能为力：找到15公里内既有空余ICU床位、又有值班肺科医生、同时要标记患者青霉素过敏的医院——这需要图连接，而不是向量检索。

关系型SQL在5跳连接时性能急剧下降。连接患者->症状->疾病->禁忌药物->医院->专科医生->空余床位需要6层嵌套JOIN，并发急救查询下延迟飙升。而FalkorDB作为Redis模块，用稀疏矩阵和GraphBLAS线性代数存储图，多跳遍历本质是矩阵乘法，延迟稳定在15毫秒以内。

Cypher查询语言是图数据库领域广泛采用的声明式查询语言，专为属性图模型设计，语法上以MATCH、WHERE、RETURN等子句描述节点与边的模式匹配，例如(p:Patient)-[:HAS_SYMPTOM]->(s:Symptom)。与SQL需要显式书写多表JOIN不同，Cypher通过箭头和括号直观表达多跳路径，数据库引擎可据此自动优化遍历顺序。FalkorDB兼容OpenCypher标准，因此熟悉Neo4j的开发者可以低成本迁移。在急救分诊这类需要沿多条关系快速扩展的场景中，Cypher的表达力和引擎的多跳优化能力直接决定了端到端延迟。

GraphBLAS是一套用于图算法的线性代数标准接口，其核心思想是把图表示为稀疏邻接矩阵，并将广度优先搜索、多跳可达性等操作转化为矩阵乘法或半环运算。FalkorDB基于Redis模块实现，底层用稀疏矩阵存储节点与边，多跳遍历因此可以借助高度优化的C语言矩阵内核并行执行，避免了传统图数据库逐条指针跳转的开销。这正是文中“5跳查询稳定在15毫秒以内”的技术根基：跳数增加时，计算量体现为矩阵维度的增长而非嵌套循环的爆炸，延迟曲线更加平缓，适合并发急救查询。

医疗知识图谱的架构设计

CareGraph AI的核心是一个医疗知识图谱，节点包括患者、症状、疾病、药物、医院、医生和床位，边表示“表现出”“指示”“禁忌”“雇佣”“拥有床位”等关系。例如，患者Ramesh对青霉素过敏，症状高烧指示急性肺炎，肺炎需要肺科医生，而BHU中心雇佣了Dr. Verma并拥有可用ICU床位。

这种显式的关系建模避免了将大量医院目录和过敏指南塞进LLM上下文窗口，从而减少幻觉。代理的决策历史也作为AgentSession节点存储在图中，形成可查询的结构化记忆，而非杂乱的聊天日志。

一个Cypher查询完成分诊与资源匹配

当患者通过语音描述症状，音频经Deepgram转为文本后，代理执行一个5跳Cypher查询：匹配患者症状到高风险疾病，交叉参考过敏禁忌，遍历找到同时拥有对症专科医生和空余ICU床位的医院，返回诊断、过敏警告、目标医院、值班医生和床位数。

这个查询一次性完成诊断、禁忌检查、医院选择、医生分配和床位定位。据作者测试，该查询在FalkorDB上执行时间约14毫秒。

从对话到行动：闭环急救响应

找到医院只是第一步。午夜呼吸困难的患者需要行动，而非建议。查询返回后，代理立即：

1. 语音安抚患者：使用Murf Falcon的低于250毫秒语音合成（hi-IN-shweta），用印地语或英语告知患者正在预留ICU床位。
2. 自主PSTN外呼：通过Twilio向医院急诊台发起电话，播报患者信息、过敏警告和值班医生通知。
3. 图状态变更：实时将床位节点标记为不可用并关联患者。
4. 持久会话记忆：创建AgentSession节点，24小时后自动触发随访电话，查询患者恢复情况。

PSTN（公共交换电话网）外呼指通过传统电话网络主动发起语音通话，而非依赖互联网协议。Twilio的REST API将这一能力封装为可编程接口：开发者提交被叫号码与TwiML指令，Twilio即代为拨号并在接通后播放语音或执行交互逻辑。在急救场景中，这意味着代理无需人工介入即可直接呼叫医院急诊台，播报患者过敏史与床位预留请求。相比短信或应用推送，PSTN的优势在于覆盖任何一部固定电话或手机，医院值班台通常也以此作为首要联络渠道，确保关键信息在秒级触达。

技术栈与部署

• 图引擎：FalkorDB（Cypher查询语言 + GraphBLAS线性代数）
• 语音管道：Murf Falcon（多语言印度TTS） + Deepgram Nova-2 STT
• 通信：Twilio REST API + LiveKit WebRTC
• 前端：Next.js 14 + Tailwind CSS + 交互式Canvas图物理
• 部署：Vercel边缘网络

LiveKit WebRTC是一套开源的实时音视频基础设施，基于WebRTC协议提供低延迟的音频轨道传输、房间管理与服务端SDK。在语音代理架构中，它负责在患者浏览器或移动端与后端代理进程之间建立双向音频流，使STT（语音转文本）和TTS（文本转语音）可以在近乎实时的回路中运行。与传统的电话语音网关相比，WebRTC路径端到端延迟通常更低，且天然支持Web前端集成，与Next.js前端和Twilio外呼形成互补：前者服务在线患者，后者触达医院电话系统。

图数据库带来的三点启示

上下文不膨胀：关系由图的边显式强制，无需将大量文档塞入LLM上下文，降低幻觉风险。

图记忆可扩展：将会话和决策存储为节点，记忆变成结构化历史，可用Cypher查询。

速度决定生死：FalkorDB的C语言矩阵实现让多跳急救查询稳定在14毫秒左右，满足实时性要求。

项目已在Vercel部署并提供GitHub开源代码，作者邀请开发者交流agentic memory和图协调的实践。