— System Simulation
Hospital Simulation
LLM-drivna sjukhusanställda diagnostiserar syntetiska patienter genom ett stegvis arbetsflöde, visualiserat som figurer som rör sig genom ett 2D-sjukhus i pixelkonst.
PydanticAI Python Phaser.js State Machines Canvas Optimization Multi-agent Systems CSS Modules AI Document Parsing
~ när Okt 2025 – Dec 2025
~ status Arkiverad
~ team i team
~ typ Praktikprojekt
En multiagent-AI-simulering där LLM-drivna sjukhusanställda diagnostiserar syntetiska patienter genom ett stegvis arbetsflöde, visualiserat som animerade figurer som rör sig genom ett 2D-sjukhus i pixelkonst. Byggt under en praktik på LifeAtlas, i ett kärnteam på två personer med Andreas.
Agentpipeline
- Sjuksköterskan triagerar inkommande patienter och skickar dem vidare till Läkaren
- Läkaren undersöker, beställer prover (skickade till Labbet) och ställer diagnos - med stöd av vektorsökning över tidigare fall och inlärda principer via ChromaDB
- Labbteknikern behandlar beställda prover och returnerar resultat
- Reflektionsagenten granskar avslutade fall, identifierar diagnostiska fel och sparar inlärda principer för framtida sökning
- Pipelinen orkestreras med skyddsräcken: max antal provcykler, detektering av dubbletter, stegbegränsningar
Inlärning och minne
- ChromaDB-vektorsökning låter agenterna söka i tidigare lyckade fall och tidigare misstag för att informera aktuella diagnoser
- Erfarenheter spåras med antal sökträffar och träffsäkerhetsmått
- Diagnostiska principer som presterar dåligt kan fasas ut automatiskt
Visualisering
- Phaser.js 2D-motor med en sjukhuskarta i 32x32px-tileset skapad i Tiled
- Egen A-pathfinding* på rutnätet (Manhattan-distansheuristik)
- Waypoint-system för personal-NPC:er med viloaktiviteter och hastighetsmultiplikatorer
- Patientkö som hanterar aktiva/väntande/avslutade tillstånd
Dokumentextrahering
Patienter kan skapas från uppladdade dokument - stödjer PDF (med OCR av inbäddade bilder via Tesseract), DOCX, RTF, ODT och kalkylblad.
Om diagrammet
Varje axel är en funktionell pelare; det orange visar var mitt fokus låg, det lila hur stor del av arbetet som var AI-förstärkt. Det AI-lagret är där verktyg snabbade upp implementationen - arkitektur, kodgranskning och kvalitetsnivån är mina egna. Jag använder AI som precisionsverktyg med strikta konventioner, inte autopilot.