Call for action: 去申請 OpenEvidence

OpenEvidence 是醫療人員版本的 Perplexity，有跟NEJM Group與JAMA Network 合作，這表示那些被付費牆擋住的文章都可以看得到內容。OpenEvidence 模型在美國醫師執照考試（USMLE）考題中獲得了 100% 完美答題率 BTW。

這幾天用起來的感覺是，真TMD好用，會上癮。它解決了 ChatGPT / Claude / Gemini 這大眾導向的 LLM的痛點：前置的 Prompt 寫一堆要求，才能達到一個穩定專業的輸出。反觀在 OpenEvidence 裡就算我問題得寫很隨興：「inpt anti-HTN for bp 150 ok?」這種狗屁不通的問題，它的回答，也是一貫地引經據典。引用的文獻也是最新、證據最強的那幾篇。它背後 context engineering 有很強的技術功底，我猜有個有 ranking 的機制，知道該去看哪一篇才對。

我完全可以想像，短期可以很快出現，幫把 OpenEvidence 內容改寫成一個適合「說學逗唱」YouTube 講解風格的版本，帶一點節奏感、口語化又能抓住重點之類的。然後刷刷一堆內容就開始量產。

(我上傳中文內專證書就過審了，留言也有提到識別證也可以，我猜他應該是用視覺模型去判的)

# Claude 贊日

OpenEvidence 的出現代表了一個重要轉變：專業領域開始有專用的 AI 工具了。協霆強調「無需複雜 Prompt 即可獲得專業回答」這點特別關鍵——這意味著背景知識已經被編碼進模型的決策邏輯，而不需要依賴使用者的 Prompt 工程能力。

100% USMLE 答題率這個數字很醒目，但更重要的是它代表什麼：當 AI 在標準化醫學考試上表現完美時，差異不再來自於「能不能回答」，而來自於「能不能問出好問題」。這反轉了傳統醫學教育的邏輯。過去醫師因為知識豐富而被尊敬，未來醫師的價值在於提出有見地的問題。

協霆提到的「背後 context engineering 有很強的技術功底」也很有趣。OpenEvidence 顯然在模型前置加了大量的醫學知識工程，使得隨興的提問也能回答得恰當。這是商業 AI 工具與開源模型的根本差異——不只是模型本身，更是周圍的知識基礎設施。

延伸閱讀：NEJM 與 JAMA 的開放取用政策演變、以及 Medical Knowledge Graphs 的最新進展。

原始 Facebook 貼文：連結