抗微生物药物耐药性（Antimicrobial resistance, AMR）已构成全球公共卫生重大威胁，其跨物种、跨介质的传播特性要求基于One Health策略实施协同防控。为此，世界卫生组织（WHO）等国际机构呼吁各国制定国家行动计划并发布防控指南，以遏制耐药性蔓延。然而，当前各国发布的指南和报告数据量激增，如何高效整合这些海量信息成为挑战；同时，中低收入国家在获取和利用信息方面常存在滞后性。在此背景下，大语言模型在整合科学知识与政策信息方面的优势日益凸显，为整合微生物耐药信息并制定环境与健康协同行动计划提供了前沿技术支撑。

有效协同推进微生物耐药性防控，亟需对国家、区域及部门间的政策文档、监测报告、资金投入与成效评估等关键信息进行可靠、高效、动态且系统的整合分析。围绕这一核心需求，中国科学院城市环境研究所朱永官院士团队成功开发了辅助微生物耐药防控政策制定的垂直领域大语言模型——AMR-Policy GPT（图1）。

本研究构建的多语言“专家”知识数据库，涵盖了来自全球146个国家、28种语言的遏制微生物耐药国家行动计划、政府与国际组织的报告，以及递交给国际组织的官方材料等内容。该工具在工作流程中创新性引入了检索增强生成技术（Retrieval-Augmented Generation, RAG），能够从海量、多维的全球政策“经验库”中快速、精准、智能地检索并提取所需信息。AMR-Policy GPT旨在为各国政府机构、科研院所以及公共卫生部门（特别是低中收入国家）提供基于实证、具有广泛包容性的微生物耐药管理政策建议，有效弥合知识空白，缩小区域间知识鸿沟，从而助力推动微生物耐药性防控政策的科学制定、高效实施与动态优化。

图1：AMR-Policy GPT设计框架

AMR-Policy GPT的核心架构由向量数据库、高效检索引擎、重排序模型及性能评估框架等关键组件构成（图1）。该系统通过构建离线索引，为用户提供高性能、体验优异的在线交互服务。为确保工具的可靠性与实用性，研究团队构建了一套全面的性能评估体系。该体系从单文档理解和全局数据库分析两个维度，深入评估模型的检索精准度与信息总结能力，并综合模型验证指标与实际应用场景测试，全面考察了AMR-Policy GPT在查找与分析全球耐药控制相关政策文件信息方面的效能。用户可通过自然对话交互方式使用AMR-Policy GPT。模型能够精准提取数据库中的关键信息，并附带精确的参考文献来源，提升用户从海量政策文档中高效、准确获取所需数据的能力。该工具兼容包括GPT系列、DeepSeek-R1、Gemini-Pro等在内的多种主流大语言模型后端（图 2），支持用户根据需求在“效率优先”与“精确优先”两种检索模式间切换，并允许灵活选择回答的知识参考来源（专家知识库/大模型内部知识）。

联合国教科文组织（UNESCO）官方宣布，为纪念中国魏晋时期伟大数学家、中国古代数学理论奠基者刘徽诞辰1800周年，特将2024-2025年命名为“刘徽年”。基于同样的纪念意义与弘扬科学精神的目的，该系列模型被正式命名为“刘徽大模型”。

图 2：AMR-Policy GPT 使用示意图

研究成果以Using Large Language Models to Assist Antimicrobial Resistance Policy Development: Integrating the Environment into Health Protection Planning 为题，发表在Environmental Science & Technology上。中国科学院城市环境研究所陈偲博士生为第一作者，中国科学院城市环境研究所朱永官研究员和杜伦大学David W. Graham教授为共同通讯作者。

论文链接

（文：朱永官研究组；图：朱永官研究组）