跳转到主要内容

Documentation Index

Fetch the complete documentation index at: https://docs.mirobody.ai/llms.txt

Use this file to discover all available pages before exploring further.

下面所有示例都跑在 快速开始 中相同的 Mirobody 引擎 上，配以 Theta Wellness 的精致前端和若干私有工具。对话内容均使用 为本演示生成的合成健康数据。
下方每个示例都是一段你可以打开并完整阅读的真实对话，注意看：
  • 用户提问 —— 用户实际敲进去的原文（自然语言，无术语、无工具名）。
  • 背后做了什么 —— 引擎调用了哪些能力来回答。
  • 打开对话 —— 完整带图表的会话分享链接。
8 个场景共用 3 位 demo 人物（60 岁有心血管病史的女性、患 2 型糖尿病的中年用户、有焦虑/失眠的成人等），帮你看出同一份数据如何被同一个引擎围绕不同问题重新组织。

​
个人健康数据管理与对话

把分散在可穿戴、医疗门户、PDF 和纸质报告中、跨越多年的碎片数据整理成一段连贯记忆；再用本地对话访问它，或通过 MCP 暴露给 ChatGPT / Claude 使用。
个人健康数据最难的从来不是采集，而是把”手环说 X”、“2019 的化验单说 Y”、“2024 的医生记录说 Z”对齐。下面两条从两个角度展示这种 join。

​
膝痛进展

用户提问： “请帮我全面了解膝盖疼痛的整体状况，利用所有相关数据来找出潜在的诱因。如有助于理解，请辅以可视化图示进行说明。”
背后 Agent 会取用户的健康画像、搜索与关节相关的指标历史、调出事件 / 日记 / 用药记录，最后把机械负荷代理指标（步数、步行配速）和疼痛事件按时间叠加成图。

打开对话

在不同医疗 Provider 间追踪膝痛进展。

​
心血管历史

用户提问： “请帮我梳理我心血管问题的病史和近期的进展情况。如有助于理解，请辅以可视化图示。”
同一位用户有 6 年跨两家医疗系统的记录加设备数据。Agent 交叉引用病历诊断、化验趋势（血脂、血压）、设备数据（HRV、静息心率），并基于患者画像（年龄、病史、在用药）来校准叙述口吻。

打开对话

跨医疗系统监测心血管健康。
把设备数据、病历、化验、自述笔记合并到一份连贯的答案里。

​
心血管摘要

用户提问： “请基于我不同来源的数据，全面汇总我心血管相关的所有信息。如有助于理解，请辅以可视化图示进行说明。”
跟上面同一位人物，但要的是一页摘要，而非时间线。Agent 拉生命体征、化验序列（血脂全套、肌钙蛋白如有）、上传的报告（例如一份超声 .xlsx，由 xlsx skill 解析），再按临床主题归类。

打开对话

跨数据源汇总心血管状况。

​
糖尿病追踪

用户提问： “请结合设备数据、病历记录和其他相关来源，帮我汇总糖尿病的整体病史与近期进展情况。如有助于理解，请辅以可视化图示进行说明。”
2 型糖尿病人物。Agent 把 HbA1c 趋势、空腹血糖序列、用药起止事件、最近一次就诊摘要拼起来，再把临床上有意义的拐点（例如 HbA1c 越过阈值）单独标出。

打开对话

从设备、病历、其他来源追踪糖尿病。

​
PCP 首诊准备（带关联亲属的数据）

用户提问： “我母亲（数据已关联给我）最近换了一位首诊医生，请帮她整理一份病史与健康状况文档，便于她第一次就诊时带给新医生参考；同时列出她需要重点与医生讨论的问题。”
这条演示多用户数据共享：发起提问的用户通过一条 th_share_relationship 记录（见 API 引用）获得亲属完整健康档案的读权限。Agent 读取关联档案，产出一份可打印的摘要文档，并基于发现的空白点附上”建议向医生讨论的问题”清单。

打开对话

给关联亲属准备就诊文档 + 待问问题清单。

​
个人健康深度研究

把个人数据与公开知识（搜索、MCP 工具、开放网络）连起来做深度研究 —— 深度堪比你见过的 Agentic Research 产品，但完全锚定你的数据，而非泛泛的通用建议。

​
血糖分析

用户提问： “请跨数据来源分析一下，哪些因素对我的血糖控制有帮助，哪些会造成不利影响。请使用图表辅助呈现分析结论。”
Agent 把血糖时序与饮食日志、运动事件、睡眠时长、压力指标做关联分析。产出包括每个因子的图表，以及一份”该保留 / 该改”的排名清单。

打开对话

定位影响血糖的因子（有利 vs 有害）。

​
焦虑与情绪驱动因素

用户提问： “请基于我的数据，分析造成我焦虑与压力的主要诱因。如有助于理解，请辅以图表呈现。”
焦虑人物。Agent 把自述情绪条目与睡眠质量、HRV、运动模式、日记里的环境压力源做关联，挑出前三大解释因子。

打开对话

发现症状与情绪背后的主导原因。

​
糖尿病治疗方案

用户提问： “请用 Theta 的工具帮我研究一下，是否有新的方法（例如新药、新疗法、设备、生活方式调整等）可以帮助我管理糖尿病。我希望得到真正贴合我个人情况的方案建议。”
Agent 不是简单去搜”糖尿病方案” —— 它把研究锚定在用户画像上（当前用药、禁忌、近期化验值、合并症），只展示真正匹配的方案。引用源在结论里逐条标注。

打开对话

个性化糖尿病治疗方案研究。
上面 8 条都跑在 DeepAgent 运行时之上 —— 单模型、工具编排、文件感知。一个 Agent 类型能扛下全部 8 条的原因是：个人健康问题几乎总是要走「读画像 → 搜指标字典 → 取相关时序 → 可选地取文件 / 事件 / 用药 → 写综合」这条路，正是 DeepAgent 的主场。对成本敏感的部署可以把同样的工作流迁到 MixAgent，用便宜的 responder 阶段产出回答。

​
开发者应用场景

对开发者而言，Mirobody 是你不必再造的”数据 + AI 后端”。把精力放在自己产品的独特部分上，剩下的事（接入、归一化、Agent 运行时、MCP、存储）交给 Mirobody。

可穿戴设备厂商

一次集成你的设备，立刻获得基于设备数据的 AI 对话能力。

研究类应用

把自定义工具丢进 tools/、把 SKILL.md playbook 丢进 skills/，无需重写后端即可部署面向受试者的研究 App。

消费健康 App

以完整的数据 + AI 引擎为底座构建你的消费产品。

企业级

定制集成与企业支持 —— 欢迎联系我们。

​
不止健康

同一套 Mirobody 架构适用于任何”个人数据 × AI”的垂直：

金融分析助手

通过自定义 Provider 接入银行账户、券商数据、税务记录；让 Agent 帮你分析投资组合。

法律助理

把案件材料放进 files/，写一份针对你所在司法辖区的 SKILL.md，让 Agent 起草并引用。

DevOps 助手

接入指标、日志、配置；用代码沙箱跑事后复盘和修复方案。
换掉 tools/ 和 skills/ 里的文件 —— 同一引擎，下一个垂直。