医疗编码AI流水线：60行Python+一个YAML，零胶水代码搞定LLM全链路

给应用加个大语言模型，通常意味着重复造轮子：为每个工具写JSON schema、调度工具调用、驱动智能体循环、接入向量数据库、管理嵌入请求、处理会话状态。等你忙完这些 plumbing，真正的业务功能还没开始写。

Daimon 是个用 Go 写的 sidecar，思路完全不同。把二进制文件丢到应用旁边，写一个 YAML 配置，你就得到一个完整可用的 LLM 端点——向量搜索、图查询、会话记忆、完整的智能体循环——全部自动连好，不用自己写任何胶水代码。

核心设计：当你在配置里声明一个向量库或图数据库，Daimon 会自动生成对应的 LLM 工具（{name}_search、{name}_cypher 等），并注入到每次 LLM 调用中。模型立刻就能用。你命名了组件，就得到了工具。

为了展示端到端的效果，我们来搭建一个医疗病历 ICD-10 编码流水线。输入一份医疗转录文本，系统会：

• 用语义搜索在 4.6 万条 ICD-10 编码向量库中找出候选

• 用 Neo4j 分类图谱验证每个候选

• 只返回经图谱确认的编码，置信度基于图谱而非模型

整个 LLM + 工具的配置塞进一个 YAML 文件。Python 客户端大概 60 行。开始动手。

你需要准备：Docker、Python 3.11+、Anthropic API key（或完全本地模型，文末会讲）、Daimon 二进制文件。

第一步，克隆仓库。git clone https://github.com/sonicboom15/medchart，然后 cd medchart。仓库里什么都有：Daimon 配置、ICD-10 加载器、编码流水线。目录结构如下：

daimon-config/config.yaml —— 整个 LLM + 工具配置

docker-compose.yml —— Neo4j、Qdrant、Ollama

icd10/loader.py —— CMS XML 解析器 → Qdrant + Neo4j

pipeline/coder.py —— Daimon 客户端 → CodeAssignment[]

pipeline/ingest.py —— MTSamples CSV 批处理器

第二步，安装 Daimon。根据你的平台选择方式：

macOS / Linux 用 Homebrew：brew tap sonicboom15/tap，然后 brew install daimon。

Windows 用 winget：winget install sonicboom15.daimon。

Windows 用 Scoop：先 scoop bucket add sonicboom15 https://github.com/sonicboom15/scoop-bucket，再 scoop install daimon。

Debian / Ubuntu：从 GitHub releases 下载 .deb，sudo dpkg -i daimon_*_linux_amd64.deb。

RHEL / Fedora：从 GitHub releases 下载 .rpm，sudo rpm -i daimon_*_linux_amd64.rpm。

或者从源码构建（需要 Go 1.23+）：git clone https://github.com/sonicboom15/daimon.git，cd daimon && make build，二进制在 ./bin/daimon。

装完验证：daimon --version。

第三步，启动基础设施。docker compose up -d。这会启动三个服务：

• Qdrant 在 6333 端口 —— ICD-10 编码嵌入的向量库

• Neo4j 在 7474（浏览器）和 7687（Bolt）端口 —— 分类图谱

• Ollama 在 11434 端口 —— 本地嵌入模型

如果没有 NVIDIA GPU，把 docker-compose.yml 里的 deploy: GPU 块删掉。然后拉取嵌入模型。