该流程图展示一套面向医学图像任务的提示词生成完整流水线，整体分为类别划分、分层推理、提示词生成、语义过滤四大步骤。第一步 Class split 类别划分，把类别集合 C 拆分为健康类别 C_hea 与 9 类疾病类别 C_dis，完成健康与病害样本分流，实现类别依赖路由，为后续不同推理路径做准备。第二步 Hierarchical reasoning 分层推理，设置两条推理链路，疾病通路依次完成病因分析、病灶形态、视觉特征、语言表述，同时对形态、颜色、位置、严重程度做属性采样；健康通路跳过病害相关属性，依次分析整体状态、颜色纹理，再输出自然语言描述，分别产出健康与病害对应的属性特征。第三步 Prompt generation 提示词生成，结合类别、属性、领域示例构建输入 Prompt，送入大语言模型 LLM，生成一批语言表达多样的候选提示词集合。第四步 Semantic filtering 语义过滤，借助共享文本编码器做向量映射，计算候选提示词与原类别之间的语义相似度，设置相似度阈值做筛选，保留语义一致、表达丰富的高质量提示词，最终输出文本先验，供给扩散模型与检测模型使用。整套流程通过分层推理 + 大模型生成 + 语义校验，得到可靠的医学文本先验，适配医学图像生成与检测任务。无论 AI 科研人员、医学 AI 方向研究生还是做多模态医学项目的开发者，都可以参考这套流程构建医学提示词方案。