资源介绍
视频数量：62个
总时长：4小时16分
课程介绍：
从诊室到上线：医疗人亲手做出自己的工具
门诊结束，你在纸上记下三个想做的工具：一个术后随访提醒，一个能查指南的问答页，一个自动算评分的计算器。你清楚这些都是软件能解决的事，可一想到找IT排期、写需求文档、等预算，念头就放下了。这门课讲的就是另一条路。讲师Ruben是一名医生，过去三年靠自学摸清了编程和AI，他把最能落地的部分压缩成62个短视频，总时长4小时16分。你看完不是多懂几个术语，而是能亲手做出一个临床决策支持工具：输入问题，它去PubMed找答案，带着参考文献回来；找不到可靠答案时，它会坦白说不知道。
一、先把工作台搭好：
课程从装软件开始，但不把时间浪费在配置环境上。你会安装VS Code，知道终端是什么，却不必自己一行行敲命令；学会建文件夹、放文件、在电脑里找到它们；再安装Claude Code或Codex并登录。Mac和Windows的差别只有三处，课程会点明。这里有一条不能破的规则，关系到后面所有操作的安全和可控。Ruben反复强调，你不需要编程经验，但必须学会怎么跟AI说话：把任务说清楚，把边界划出来，把结果验一遍。这个习惯比记快捷键重要得多。
二、看懂机器：
接下来几节不写代码，专门拆开机器给你看。计算机只认通电和断电，也就是零和一；代码说到底是写给机器的指令，就像腹腔穿刺或静脉置管的操作步骤；语言模型是根据上下文预测下一段文字的引擎；AI代理则能拆任务、调工具、看结果再继续。课程还会讲上下文窗口和令牌，讲代理的记忆存在哪里。为什么要懂这些？因为不懂就会把AI当魔法，出了错不知道为什么错；懂了就知道它什么时候会忘事、什么时候会编造、提示词该怎么组织。后面那些操作才会显得像逻辑，而不是变戏法。
三、不写代码做研究综述：
第一个真实项目一行代码都不写。你让AI帮你查文献、整理表格、生成文档，同时学习权限设置、第一次正式提示、观察它的工作流程。课程专门讲提示注入：网页或文件里藏着一句恶意指令，代理可能照做，医疗场景里这会带来真实风险。你还学会让多个代理互相审查，使用不虚构提示，给结果找第二意见。肿瘤科需要第二意见，文献综述也一样。这一部分练的是判断力：AI给的每条结论有没有出处，引用是不是真的存在，数据有没有被张冠李戴。
四、让代理连接外部世界：
然后你会理解API密钥。它像一张门禁卡，让代理有权限访问外部服务。课程演示怎么创建第一把密钥，怎么让代理查到PubMed，数据从你的电脑出发，经过哪里，又回到哪里。很多人卡在这一步，不是不会点按钮，而是不知道自己在授权什么。你会知道哪些密钥能公开，哪些必须锁好，为什么把密钥写进代码再上传是灾难。
五、做出第一个临床计算器：
课程用一个临床计算器把前端和后端讲透。你先看网页的解剖结构，打开参考示例照着试，再自己搭页面，最后从一张截图出发让AI写出界面。你会做出能输入、能计算、能显示结果的页面。它不花哨，却是完整的应用雏形。更重要的是，你知道了页面长什么样、样式写在哪里、交互怎么发生，以后看到任何一个医疗工具，都能大致猜出它由哪些部分组成。
六、后端与真实模型：
后半段进入Python和后端。你安装Python，获取付费API密钥，先在终端里和真实模型对话，再给它套上用户界面，最后给它加一个PubMed工具。到这一步，你做的工具已经能听懂问题、检索文献、组织答案并附上参考来源。课程还会带你看机器上现在跑着什么，数据存在哪里。对医疗人来说，这不是可有可无的知识，病人信息能不能进提示词、哪些内容不能发给外部模型，都跟这些理解有关。
七、版本管理与协作：
Git和GitHub解决的是另一件事：让工作不困在一台笔记本里。你会分清Git和GitHub不是同一个东西，学会提交、推送、拉取，安装Git并完成第一次推送，理解分支，知道什么能上GitHub、什么永远不能。医疗数据、患者身份信息、密钥，这些红线课程会讲清楚。Playwright那节让AI能看见网页，调试时少走弯路。
八、部署上线：
最后把工具放到真实网址上。你会明白部署就是把任务交给另一台一直开着的电脑，知道部署由哪些部分组成，在Railway上一步步上线，再修改代码、重新发布。当链接能打开、页面能运行，你手里就不只是一个练习项目，而是一个可以给同事试用、可以继续迭代的工具。
这门课适合临床医生、护士、药师、医学生、科研人员、医学编辑和医院管理者。它的价值不在于把每个人变成工程师，而在于让你能判断AI的输出靠不靠谱，能守住数据安全的边界，能把诊室里反复出现的麻烦事做成小工具。学完后再看到那五个软件能解决的问题，你至少知道第一步该打开哪个软件，第一句话该怎么对AI说。