VetClaw：当树莓派学会"问诊"——边云协同的兽医智能体系统
一个场景
凌晨三点，你家猫的耳朵上出现了一块红斑。宠物医院关门了，Google 搜索"猫耳朵红斑"给你返回 47 种可能疾病，从耳螨到鳞状细胞癌。你焦虑地刷了半小时手机，最后还是决定等天亮再说。
现在想象另一个场景：你拿出手机，拍一张猫耳朵的照片，打字补充"频繁抓挠耳朵，食欲下降"。三秒后，一个系统回复你："零样本分类提示可能是耳螨（置信度 62%），但考虑到食欲下降，不排除外耳道感染继发。建议观察 24 小时，若无改善送医。此判断不替代兽医诊断。"
这就是 VetClaw 想做的事。
VetClaw 是什么
2026 年 7 月 28 日，Syed Mhamudul Hasan、Anas AlSobeh、Hussein Zangoti 和 Abdur R. Shahid 挂到 arXiv 的论文 《VetClaw: An Edge-Cloud Multimodal Agentic System for Veterinary Disease Screening》 描述了一个系统：
- 边缘端：树莓派 + 摄像头模块 3 + OpenClaw（一个开源智能体框架）+ LangGraph（工作流编排）
- 云端：FastAPI 服务 + 视觉-语言模型（VLM）
- 任务：零样本兽医疾病筛查——不用训练特定分类器，直接用 VLM 的零样本能力做疾病分类
为什么要分开
传统图像分类系统的逻辑是线性的：拍照 → 模型推理 → 返回结果。这种线性流程在受控环境里没问题，但在真实兽医场景里有几个坑：
1. 图像质量不可控——猫在动、光线在变、镜头有反光 2. 单一模态不够——只有图像时，VLM 容易把"正常的色素沉着"误判为"真菌感染" 3. 安全比性能重要——把"需要送医"误判为"没事"的代价远大于把"没事"误判为"需要送医" 4. 失败模式多样——网络断了、VLM 超时、返回格式错误、置信度模糊
线性流程处理不了这些。你需要一个有状态的、能条件分支的、能处理失败的工作流。这就是 LangGraph 的用武之地。
VetClaw 的工作流节点包括：
- 输入验证：图像是否清晰？是否包含动物？
- 图像预处理：裁剪、增强、压缩
- 图像传输：上传到云端或 base64 编码
- API 请求构造：拼装 VLM 的 prompt
- 模型调用：调用服务端 VLM
- 响应验证：返回的 JSON 是否合法？疾病类别是否在已知列表里？
- 安全检查：置信度是否足够？是否触发了"必须送医"的红旗规则？
- 条件路由：高置信度 → 直接通知；低置信度 → 升级处理；模糊 → 请求更多信息
- 失败处理：超时 → 重试；格式错误 → 降级为纯文本输出
- 结构化日志：每一步都记录，便于事后审计
OpenClaw + LangGraph：分工的哲学
这种分工本身就是一种设计哲学。
OpenClaw 像前台：接待患者、登记信息、安排就诊、发送结果。它关心的是"用户交互"和"工具调度"。
LangGraph 像诊室里的流程图：第一步做什么、第二步做什么、什么情况下叫专家、什么情况下直接开药。它关心的是"状态流转"和"条件分支"。
把两者分开的好处是：前台换人不影响诊室流程，诊室流程换图不影响前台。你可以把 OpenClaw 换成另一个智能体框架（比如 AutoGPT），只要 LangGraph 的工作流不变；你也可以把 LangGraph 换成另一个工作流引擎（比如 Temporal），只要 OpenClaw 的接口不变。
这种"关注点分离"是软件工程的老智慧，但在智能体系统里特别重要——因为智能体框架和工作流引擎都在快速演进，耦合太紧会两边都动不了。
多模态的价值：症状引导 > 纯图像
论文的实验部分有一个关键发现：纯图像的 VLM 预测能力有限，症状引导和多模态输入显著改善零样本分类性能。
这和直觉吻合。兽医诊断从来不是只看照片的——一个有经验的兽医看猫耳朵，会同时问"最近抓挠频率？""食欲怎么样？""有没有异常分泌物？"。这些症状描述本身就是强特征，能把疾病先验概率大幅收窄。
VLM 在纯图像模式下容易被"视觉相似性"误导——色素沉着和早期真菌感染在照片上可能很像，但"频繁抓挠 + 食欲下降"这个症状组合几乎排除了良性色素沉着的可能。
论文还指出了一个潜在风险：症状描述可能引入"信息泄漏"。如果用户描述的症状已经强烈暗示了某种疾病，VLM 可能只是"复述"了用户给的线索，而不是真的从图像里提取了信息。这需要"受控提示"和"规则审查"来缓解——你不能让系统变成一个高级的"用户说什么就是什么"的回声。
安全感知：为什么"不确定"比"确定"更重要
VetClaw 最值得称道的设计不是性能，而是安全感知。系统有几个安全机制：
1. 红旗规则：某些症状组合（如"呼吸困难 + 黏膜发绀"）直接触发"立即送医"通知，跳过 VLM 判断 2. 置信度阈值：低于阈值的预测不直接给结论，而是升级处理——请求更多照片、请求更多症状描述、或直接建议送医 3. 免责声明：所有输出都附带"此判断不替代兽医诊断" 4. 结构化日志：每一步决策都有记录，便于事后审计和改进
这些机制让 VetClaw 从"静态预测模型"变成"安全感知系统"。它知道自己的边界——零样本 VLM 不是万能的，低置信度时应该承认不确定而不是硬猜。
这和 Rebucca（步子哥开源的视频智能分析平台）的"小模型+大模型复核"思路异曲同工：承认单一模型的局限，用分工和流程来弥补。Rebucca 用小模型初筛 + 大模型验证降低误报率；VetClaw 用 VLM 预测 + 规则审查 + 条件升级来保证安全。两者都指向同一个原则：分工比统一更有效。
开源生态：VetClaw 的 GitHub 仓库
论文本身没有提供代码，但搜索发现了一个相关的开源项目：OpenVet-Projects/VetClaw。这个仓库的定位是"OpenClaw 的兽医 AI 技能库"，不是论文的完整实现，而是把兽医诊断知识编码成结构化的"技能"——每个技能是一个 Markdown 文件，包含推理模板、安全规则、药物剂量矩阵等。
仓库的 README 里有一句话值得注意："Veterinary AI is not a subset of human AI"（兽医 AI 不是人类 AI 的子集）。原因包括：
- 药物安全因物种而异——一种狗的救命剂量可能杀死猫
- 品种易感性改变鉴别诊断排序——金毛的皮肤病和斗牛犬的皮肤病，即使症状相同，鉴别诊断顺序也不同
- 证据等级不同——人类医学里 PubMed 是金标准，兽医里教科书才是金标准（PubMed 对很多物种覆盖稀疏）
- 监管框架不同——FDA CVM（兽医学中心）而非 FDA CDER（药品评估研究中心）
局限与未解问题
论文坦率地承认了几点：
1. 摄像头固定方向——树莓派摄像头模块 3 是固定的，对移动动物捕捉能力有限。AI 摄像头模块可能更好 2. 缺乏高质量兽医多模态数据——真实兽医诊断需要临床笔记、实验室结果、行为观察、音频、视频、体检发现等多源证据，目前只用图像 3. 未与非智能体管道对比——论文没做"VetClaw vs 纯 VLM API 调用"的对照实验，所以"智能体架构"本身的增量价值还不完全清楚 4. 延迟未系统测量——只报告了单次延迟，没有重复测量的统计 5. 安全规则未系统评估——红旗规则是手工设计的，没有做"规则覆盖率"评估
一个更远的视角
VetClaw 的故事不只在兽医领域。它指向一个更普遍的架构模式：边云协同的智能体系统。
这个模式的要素是：
- 边缘端：感知 + 用户交互 + 调度（轻量、低延迟、隐私友好）
- 云端：重模型推理 + 知识查询（重量、高精度、可扩展）
- 中间层：工作流编排 + 安全规则 + 失败处理（有状态、可审计、可条件分支）
- 工业质检：边缘端拍照 + 云端 VLM 缺陷分类 + 工作流处理"不确定"案例
- 农业病虫害：边缘端传感器 + 云端模型 + 工作流决定是否施药
- 家庭健康监测：边缘端摄像头 + 云端模型 + 工作流决定是否通知家属
- 老人跌倒检测：边缘端摄像头 + 云端行为分析 + 工作流决定是否呼叫急救
结语
VetClaw 不是一篇"刷 SOTA"的论文。它没有在某个 benchmark 上打败所有对手。它做的事更朴素也更实用：把现有的 VLM、智能体框架、工作流引擎组合起来，做一个真正能用的兽医筛查系统。
这种"工程组合"类的论文在 arXiv 上不显眼，但它的价值在于把分散的技术整合成一个可部署的系统。VLM 不是新的，OpenClaw 不是新的，LangGraph 不是新的——但把它们组合成"边缘端拍照 + 云端推理 + 工作流编排 + 安全感知"的兽医筛查系统，是新的。
有时候，创新不在发明新零件，而在把已有的零件拼成一个真正能用的整体。VetClaw 就是这种拼装。它不完美，但它指了一个方向：AI 落地不是模型问题，是系统问题。
---
论文：VetClaw: An Edge-Cloud Multimodal Agentic System for Veterinary Disease Screening 作者：Syed Mhamudul Hasan, Anas AlSobeh, Hussein Zangoti, Abdur R. Shahid 相关开源项目：OpenVet-Projects/VetClaw（兽医 AI 技能库，非论文完整实现） 相关框架：OpenBMB/EdgeClaw（边云协同个人 AI）