基于LangGraph的多智能体系统构建：医疗与法律领域的RAG实战

在医疗行业和刑法领域应用 AI 大模型，最大的挑战不是模型本身的能力，而是如何让模型理解专业术语、遵循行业规范、并在复杂决策中保持可解释性。单纯调用一个通用大模型接口，往往无法满足专业场景对准确性、安全性和合规性的要求。多智能体架构通过分工协作、流程编排和知识隔离，能够有效解决单一模型在复杂任务中的局限性。

本文将以医疗咨询和刑法案例分析为背景，带你从零构建一个基于 LangChain 和 LangGraph 的多智能体系统。你将掌握如何搭建专业 RAG 知识库、设计智能体协作流程、集成外部工具链，并最终形成一个可部署、可验证的实战项目。整个方案强调工程落地，包含环境配置、代码实现、问题排查和优化建议，学完后可直接用于实际项目或作为简历中的深度案例。

1. 理解多智能体架构在专业领域的核心价值

1.1 为什么单一模型在专业场景中容易失效

医疗和刑法领域的问题通常需要多步骤推理和专业知识验证。例如，一个医疗咨询问题可能涉及症状分析、药品查询、诊疗规范核对等多个环节；一个刑法案例可能需要法条检索、要件分析、量刑考量等专业判断。单一模型试图一次性解决所有问题，容易出现以下问题：

• 知识幻觉：模型可能生成看似合理但实际错误的专业结论。
• 责任模糊：无法追踪决策过程中每个环节的依据和责任人。
• 效率低下：复杂问题需要多次交互，单一模型难以保持上下文一致性。

多智能体架构将复杂任务分解为多个子任务，由专门化的智能体负责，通过工作流引擎协调执行。这种架构更接近人类专家团队的协作模式。

1.2 LangChain 与 LangGraph 的分工与定位

LangChain 提供了构建大模型应用的基础组件，包括提示模板、链式调用、记忆管理和工具集成。而 LangGraph 专注于多智能体之间的状态管理和工作流编排。

可以这样理解两者的关系：LangChain 好比是单个专家的工具箱，包含了完成特定任务所需的所有工具；LangGraph 则是专家团队的调度中心，负责分配任务、传递信息、协调进度。

在医疗+刑法的多智能体系统中，我们将用 LangChain 构建每个智能体的核心能力，用 LangGraph 设计智能体之间的协作规则。

1.3 RAG 知识库如何保证专业准确性

RAG 技术通过将专业知识预先处理并存储在向量数据库中，为大模型提供准确、可控的知识来源。在医疗和刑法场景中，RAG 知识库的价值尤为突出：

• 知识更新可控：法规和医疗指南更新时，只需更新向量数据库，无需重新训练模型。
• 来源可追溯：每个回答都能追溯到具体的知识片段，满足合规要求。
• 减少幻觉：模型主要基于提供的专业知识生成答案，降低虚构风险。

2. 环境准备与依赖配置

2.1 基础环境要求

本项目建议在 Linux 环境下部署，相比 Windows Server 具有更好的稳定性和性能表现。以下是详细的环境要求：

安装基础依赖：

# 更新系统包 sudo apt update && sudo apt upgrade -y # 安装 Python 开发环境 sudo apt install python3-pip python3-venv git -y # 创建项目目录和虚拟环境 mkdir medical-law-ai && cd medical-law-ai python3 -m venv venv source venv/bin/activate

2.2 核心依赖版本管理

多智能体项目对版本兼容性要求较高，以下是经过验证的稳定版本组合：

# 安装 LangChain 核心套件 pip install langchain==0.1.0 pip install langchain-community==0.0.10 pip install langchain-core==0.1.0 # 安装 LangGraph 用于多智能体编排 pip install langgraph==0.0.40 # 安装向量数据库和嵌入模型 pip install chromadb==0.4.15 pip install sentence-transformers==2.2.2 # 安装大模型接口（以通义千问为例） pip install dashscope==1.14.0 # 其他工具依赖 pip install pydantic==2.5.0 pip install python-dotenv==1.0.0

创建requirements.txt文件保存依赖清单，便于后续部署：

langchain==0.1.0 langchain-community==0.0.10 langchain-core==0.1.0 langgraph==0.0.40 chromadb==0.4.15 sentence-transformers==2.2.2 dashscope==1.14.0 pydantic==2.5.0 python-dotenv==1.0.0

2.3 API 密钥与环境配置

创建.env文件管理敏感配置：

# 创建环境配置文件 touch .env # 编辑文件，添加以下内容（替换为实际密钥） echo "DASHSCOPE_API_KEY=your_tongyi_api_key_here" >> .env echo "KNOWLEDGE_BASE_PATH=./knowledge_base" >> .env echo "VECTOR_DB_PATH=./vector_db" >> .env

在代码中安全加载配置：

import os from dotenv import load_dotenv load_dotenv() DASHSCOPE_API_KEY = os.getenv("DASHSCOPE_API_KEY") if not DASHSCOPE_API_KEY: raise ValueError("请配置 DASHSCOPE_API_KEY 环境变量")

3. 构建专业 RAG 知识库系统

3.1 知识库文档准备与预处理

医疗和刑法知识库需要从权威来源获取，确保信息的准确性和时效性。文档预处理是关键步骤，直接影响后续检索效果。

创建知识库目录结构：

mkdir -p knowledge_base/medical mkdir -p knowledge_base/law mkdir -p knowledge_base/processed

文档预处理脚本preprocess_docs.py：

import os import re from pathlib import Path from typing import List, Dict class DocumentPreprocessor: def __init__(self, source_dir: str, target_dir: str): self.source_dir = source_dir self.target_dir = target_dir os.makedirs(target_dir, exist_ok=True) def clean_text(self, text: str) -> str: """清理文本，移除无关字符和格式""" # 移除多余空白字符 text = re.sub(r'\s+', ' ', text) # 移除特殊字符但保留中文标点和专业符号 text = re.sub(r'[^\w\s\u4e00-\u9fff%，。！？；：、（）]', '', text) return text.strip() def split_documents(self, text: str, max_length: int = 1000) -> List[str]: """按语义分割长文档""" sentences = re.split(r'[。！？]', text) chunks = [] current_chunk = "" for sentence in sentences: if len(current_chunk) + len(sentence) <= max_length: current_chunk += sentence + "。" else: if current_chunk: chunks.append(current_chunk) current_chunk = sentence + "。" if current_chunk: chunks.append(current_chunk) return chunks def process_directory(self): """处理整个目录下的文档""" processed_docs = [] for file_path in Path(self.source_dir).glob("**/*.txt"): with open(file_path, 'r', encoding='utf-8') as f: content = f.read() cleaned_content = self.clean_text(content) chunks = self.split_documents(cleaned_content) # 保存处理后的文档块 base_name = file_path.stem for i, chunk in enumerate(chunks): output_path = Path(self.target_dir) / f"{base_name}_chunk_{i}.txt" with open(output_path, 'w', encoding='utf-8') as f: f.write(chunk) processed_docs.append({ "source": str(file_path), "chunk_id": i, "content": chunk, "output_path": str(output_path) }) return processed_docs if __name__ == "__main__": # 处理医疗文档 medical_processor = DocumentPreprocessor( "knowledge_base/medical", "knowledge_base/processed/medical" ) medical_docs = medical_processor.process_directory() # 处理法律文档 law_processor = DocumentPreprocessor( "knowledge_base/law", "knowledge_base/processed/law" ) law_docs = law_processor.process_directory() print(f"处理完成：医疗文档 {len(medical_docs)} 块，法律文档 {len(law_docs)} 块")

3.2 向量数据库初始化与文档嵌入

使用 ChromaDB 作为向量数据库，Sentence-BERT 作为嵌入模型：

import chromadb from chromadb.config import Settings from sentence_transformers import SentenceTransformer import hashlib class KnowledgeVectorStore: def __init__(self, persist_directory: str = "./vector_db"): self.persist_directory = persist_directory self.embedding_model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2') # 初始化 Chroma 客户端 self.client = chromadb.PersistentClient( path=persist_directory, settings=Settings(allow_reset=True) ) # 创建或获取集合 self.collection = self.client.get_or_create_collection( "medical_law_knowledge", metadata={"description": "医疗和法律专业知识库"} ) def get_document_id(self, content: str, source: str) -> str: """生成文档唯一ID""" content_hash = hashlib.md5(content.encode()).hexdigest() return f"{source}_{content_hash}" def add_documents(self, documents: List[Dict]): """添加文档到向量数据库""" ids, texts, metadatas = [], [], [] for doc in documents: doc_id = self.get_document_id(doc["content"], doc["source"]) ids.append(doc_id) texts.append(doc["content"]) metadatas.append({ "source": doc["source"], "chunk_id": doc["chunk_id"], "type": "medical" if "medical" in doc["source"] else "law" }) # 生成嵌入向量 embeddings = self.embedding_model.encode(texts).tolist() # 添加到集合 self.collection.add( embeddings=embeddings, documents=texts, metadatas=metadatas, ids=ids ) print(f"成功添加 {len(ids)} 个文档到向量数据库") def search_similar(self, query: str, n_results: int = 3, doc_type: str = None): """相似性搜索""" query_embedding = self.embedding_model.encode([query]).tolist() # 构建过滤条件 where = {"type": doc_type} if doc_type else None results = self.collection.query( query_embeddings=query_embedding, n_results=n_results, where=where ) return results # 初始化知识库 def initialize_knowledge_base(): vector_store = KnowledgeVectorStore() # 从处理后的文档加载数据 processed_docs = [] for file_path in Path("knowledge_base/processed").glob("**/*.txt"): with open(file_path, 'r', encoding='utf-8') as f: content = f.read() processed_docs.append({ "source": str(file_path), "chunk_id": int(file_path.stem.split("_chunk_")[-1]), "content": content }) vector_store.add_documents(processed_docs) return vector_store

3.3 RAG 检索器封装

创建智能的 RAG 检索器，支持混合检索和重排序：

from langchain.retrievers import ContextualCompressionRetriever from langchain.retrievers.document_compressors import CrossEncoderReranker from langchain_community.retrievers import BM25Retriever from langchain_core.documents import Document class HybridRetriever: def __init__(self, vector_store: KnowledgeVectorStore): self.vector_store = vector_store self.bm25_retriever = self._setup_bm25_retriever() def _setup_bm25_retriever(self): """设置 BM25 检索器作为稀疏检索补充""" # 这里需要从文档构建 BM25 索引 # 简化实现，实际项目中需要完整实现 pass def retrieve(self, query: str, doc_type: str = None, top_k: int = 5): """混合检索""" # 向量检索 vector_results = self.vector_store.search_similar( query, n_results=top_k * 2, doc_type=doc_type ) # 转换格式 documents = [] for i, doc in enumerate(vector_results['documents'][0]): metadata = vector_results['metadatas'][0][i] documents.append(Document( page_content=doc, metadata=metadata )) # 这里可以加入 BM25 结果合并和重排序逻辑 return documents[:top_k]

4. 多智能体系统设计与实现

4.1 智能体角色定义

在医疗+刑法场景中，我们设计四个核心智能体：

4.2 基于 LangGraph 的工作流设计

创建多智能体工作流multi_agent_workflow.py：

from typing import Dict, List, Any, TypedDict from langgraph.graph import StateGraph, END from langchain_core.messages import HumanMessage, SystemMessage import dashscope class AgentState(TypedDict): """智能体状态定义""" question: str medical_context: str legal_context: str risk_assessment: str final_answer: str current_step: str error_info: str class MedicalLawMultiAgent: def __init__(self, retriever: HybridRetriever): self.retriever = retriever self.workflow = self._build_workflow() def _call_llm(self, messages: List, temperature: float = 0.1) -> str: """调用大模型接口""" try: response = dashscope.Generation.call( model="qwen-turbo", messages=messages, temperature=temperature, result_format="message" ) return response.output.choices[0].message.content except Exception as e: return f"模型调用失败: {str(e)}" def medical_analysis_agent(self, state: AgentState) -> AgentState: """医疗分析智能体""" # 检索相关医疗知识 medical_docs = self.retriever.retrieve( state["question"], doc_type="medical", top_k=3 ) medical_context = "\n".join([doc.page_content for doc in medical_docs]) # 构建医疗分析提示 system_msg = SystemMessage(content="""你是一名专业的医疗顾问，基于提供的医疗知识进行症状分析和建议。 回答要专业、谨慎，避免绝对化表述。如果信息不足，明确说明需要补充的信息。""") user_msg = HumanMessage(content=f""" 用户问题：{state['question']} 相关医疗知识： {medical_context} 请进行专业的医疗分析： """) medical_analysis = self._call_llm([system_msg, user_msg]) state["medical_context"] = medical_analysis state["current_step"] = "medical_analysis_completed" return state def legal_analysis_agent(self, state: AgentState) -> AgentState: """法律分析智能体""" # 检索相关法律知识 legal_docs = self.retriever.retrieve( state["question"], doc_type="law", top_k=3 ) legal_context = "\n".join([doc.page_content for doc in legal_docs]) # 构建法律分析提示 system_msg = SystemMessage(content="""你是一名专业的法律顾问，基于提供的法律知识进行法条分析和案例匹配。 回答要准确引用法律依据，避免主观臆断。""") user_msg = HumanMessage(content=f""" 用户问题：{state['question']} 医疗分析结果：{state.get('medical_context', '无')} 相关法律知识： {legal_context} 请进行专业的法律分析： """) legal_analysis = self._call_llm([system_msg, user_msg]) state["legal_context"] = legal_analysis state["current_step"] = "legal_analysis_completed" return state def risk_assessment_agent(self, state: AgentState) -> AgentState: """风险评估智能体""" system_msg = SystemMessage(content="""你是一名风险评估专家，负责评估医疗法律建议的合规性和风险等级。 从专业性、合规性、安全性三个维度进行评估。""") user_msg = HumanMessage(content=f""" 用户问题：{state['question']} 医疗分析：{state.get('medical_context', '无')} 法律分析：{state.get('legal_context', '无')} 请进行风险评估，指出潜在风险和改进建议： """) risk_assessment = self._call_llm([system_msg, user_msg]) state["risk_assessment"] = risk_assessment state["current_step"] = "risk_assessment_completed" return state def final_integration_agent(self, state: AgentState) -> AgentState: """最终整合智能体""" system_msg = SystemMessage(content="""你是一名专业的医疗法律顾问，负责整合各专家意见，形成最终回答。 回答要全面、平衡、可操作，明确标注信息来源和风险提示。""") user_msg = HumanMessage(content=f""" 原始问题：{state['question']} 医疗专家意见： {state.get('medical_context', '无')} 法律专家意见： {state.get('legal_context', '无')} 风险评估： {state.get('risk_assessment', '无')} 请整合形成最终回答： """) final_answer = self._call_llm([system_msg, user_msg]) state["final_answer"] = final_answer state["current_step"] = "completed" return state def _build_workflow(self) -> StateGraph: """构建工作流图""" workflow = StateGraph(AgentState) # 添加节点 workflow.add_node("medical_analysis", self.medical_analysis_agent) workflow.add_node("legal_analysis", self.legal_analysis_agent) workflow.add_node("risk_assessment", self.risk_assessment_agent) workflow.add_node("final_integration", self.final_integration_agent) # 设置入口点 workflow.set_entry_point("medical_analysis") # 定义边 workflow.add_edge("medical_analysis", "legal_analysis") workflow.add_edge("legal_analysis", "risk_assessment") workflow.add_edge("risk_assessment", "final_integration") workflow.add_edge("final_integration", END) return workflow.compile() def process_question(self, question: str) -> Dict[str, Any]: """处理用户问题""" initial_state: AgentState = { "question": question, "medical_context": "", "legal_context": "", "risk_assessment": "", "final_answer": "", "current_step": "started", "error_info": "" } try: final_state = self.workflow.invoke(initial_state) return { "success": True, "answer": final_state["final_answer"], "medical_analysis": final_state["medical_context"], "legal_analysis": final_state["legal_context"], "risk_assessment": final_state["risk_assessment"] } except Exception as e: return { "success": False, "error": str(e), "answer": "系统处理过程中出现错误" }

4.3 工具链集成与扩展

为智能体添加外部工具能力，增强实用性：

from langchain.tools import BaseTool from pydantic import BaseModel class DrugQueryInput(BaseModel): drug_name: str class DrugQueryTool(BaseTool): name = "drug_query" description = "查询药品信息、剂量、禁忌症" args_schema = type("DrugQueryInput", (BaseModel,), { "drug_name": (str, ...) }) def _run(self, drug_name: str) -> str: """查询药品信息（简化实现）""" # 实际项目中可以接入药品数据库API drug_database = { "阿司匹林": "适应症：解热镇痛。成人剂量：每次300-600mg。禁忌：胃溃疡患者慎用。", "青霉素": "适应症：细菌感染。需皮试后使用。禁忌：青霉素过敏者禁用。" } return drug_database.get(drug_name, "未找到该药品信息") class LawArticleQueryInput(BaseModel): article_keyword: str class LawArticleQueryTool(BaseTool): name = "law_article_query" description = "查询法律条文内容" args_schema = type("LawArticleQueryInput", (BaseModel,), { "article_keyword": (str, ...) }) def _run(self, article_keyword: str) -> str: """查询法律条文（简化实现）""" law_database = { "刑法第二百三十二条": "故意杀人的，处死刑、无期徒刑或者十年以上有期徒刑；情节较轻的，处三年以上十年以下有期徒刑。", "医疗机构管理条例": "医疗机构执业，必须进行登记，领取《医疗机构执业许可证》。" } return law_database.get(article_keyword, "未找到相关法律条文")

5. 系统集成与测试验证

5.1 主程序入口与 API 封装

创建完整的系统入口main.py：

from fastapi import FastAPI, HTTPException from pydantic import BaseModel import uvicorn class QuestionRequest(BaseModel): question: str user_type: str = "general" # general, medical, legal class QuestionResponse(BaseModel): success: bool answer: str medical_analysis: str = "" legal_analysis: str = "" risk_assessment: str = "" error: str = "" app = FastAPI(title="医疗法律多智能体咨询系统") # 全局变量存储系统实例 multi_agent_system = None @app.on_event("startup") async def startup_event(): """系统启动时初始化""" global multi_agent_system try: # 初始化知识库 from preprocess_docs import DocumentPreprocessor from knowledge_vector_store import KnowledgeVectorStore, HybridRetriever from multi_agent_workflow import MedicalLawMultiAgent # 预处理文档（如果尚未处理） medical_processor = DocumentPreprocessor( "knowledge_base/medical", "knowledge_base/processed/medical" ) law_processor = DocumentPreprocessor( "knowledge_base/law", "knowledge_base/processed/law" ) # 初始化向量存储和检索器 vector_store = KnowledgeVectorStore() retriever = HybridRetriever(vector_store) # 创建多智能体系统 multi_agent_system = MedicalLawMultiAgent(retriever) print("系统初始化完成") except Exception as e: print(f"系统初始化失败: {e}") raise @app.post("/query", response_model=QuestionResponse) async def query_system(request: QuestionRequest): """处理用户查询""" if multi_agent_system is None: raise HTTPException(status_code=503, detail="系统未就绪") try: result = multi_agent_system.process_question(request.question) return QuestionResponse(**result) except Exception as e: return QuestionResponse( success=False, answer="", error=str(e) ) @app.get("/health") async def health_check(): """健康检查端点""" return {"status": "healthy", "system_ready": multi_agent_system is not None} if __name__ == "__main__": uvicorn.run(app, host="0.0.0.0", port=8000)

5.2 测试用例与验证方法

创建测试脚本test_system.py：

import asyncio from main import QuestionRequest, multi_agent_system def test_medical_question(): """测试医疗相关问题""" question = "患者出现发热、咳嗽三天，应该怎么处理？是否需要立即就医？" result = multi_agent_system.process_question(question) print("=== 医疗问题测试 ===") print(f"问题: {question}") print(f"成功: {result['success']}") print(f"回答: {result['answer']}") print(f"医疗分析: {result['medical_analysis']}") print("=" * 50) def test_legal_question(): """测试法律相关问题""" question = "医疗事故导致患者死亡，医疗机构需要承担什么法律责任？" result = multi_agent_system.process_question(question) print("=== 法律问题测试 ===") print(f"问题: {question}") print(f"成功: {result['success']}") print(f"回答: {result['answer']}") print(f"法律分析: {result['legal_analysis']}") print("=" * 50) def test_complex_question(): """测试复杂交叉问题""" question = "医生在紧急情况下为无意识患者手术，但术后出现并发症，法律上如何认定责任？" result = multi_agent_system.process_question(question) print("=== 复杂问题测试 ===") print(f"问题: {question}") print(f"成功: {result['success']}") print(f"回答: {result['answer']}") print(f"风险评估: {result['risk_assessment']}") print("=" * 50) if __name__ == "__main__": # 等待系统初始化 import time time.sleep(2) test_medical_question() test_legal_question() test_complex_question()

5.3 性能优化与监控

添加系统监控和性能优化配置：

import psutil import time from functools import wraps def monitor_performance(func): """性能监控装饰器""" @wraps(func) def wrapper(*args, **kwargs): start_time = time.time() start_memory = psutil.Process().memory_info().rss / 1024 / 1024 # MB result = func(*args, **kwargs) end_time = time.time() end_memory = psutil.Process().memory_info().rss / 1024 / 1024 print(f"函数 {func.__name__} 执行时间: {end_time - start_time:.2f}秒") print(f"内存使用: {end_memory - start_memory:.2f}MB") return result return wrapper class PerformanceOptimizedAgent(MedicalLawMultiAgent): """性能优化版本的多智能体""" @monitor_performance def process_question(self, question: str) -> Dict[str, Any]: """重写处理方法，加入性能监控""" return super().process_question(question) def batch_process(self, questions: List[str]) -> List[Dict]: """批量处理问题，优化性能""" results = [] for question in questions: result = self.process_question(question) results.append(result) return results

6. 常见问题排查与解决方案

6.1 环境配置问题

6.2 知识库检索问题

6.3 多智能体协作问题

6.4 生产环境部署问题

创建部署检查清单deployment_checklist.md：

# 生产环境部署检查清单 ## 前置条件 - [ ] 服务器资源满足最低要求（16GB内存，100GB存储） - [ ] 网络环境稳定，能访问所需API服务 - [ ] 域名和SSL证书已准备（如需要对外服务） ## 环境配置 - [ ] Python 3.9-3.11 已安装 - [ ] 虚拟环境已创建并激活 - [ ] 所有依赖包版本正确 - [ ] API密钥等敏感信息已通过环境变量配置 ## 知识库准备 - [ ] 权威文档已收集并预处理 - [ ] 向量数据库已初始化并测试 - [ ] 检索效果经过验证和优化 ## 系统测试 - [ ] 单元测试全部通过 - [ ] 集成测试覆盖主要场景 - [ ] 性能测试满足预期指标 - [ ] 错误处理机制验证有效 ## 监控维护 - [ ] 日志系统配置完成 - [ ] 性能监控工具就绪 - [ ] 备份和恢复方案已制定 - [ ] 知识库更新流程已明确

7. 最佳实践与扩展方向

7.1 生产环境最佳实践

安全性考虑

• API密钥管理：使用密钥管理服务，避免硬编码
• 输入验证：对用户输入进行严格过滤和转义
• 访问控制：基于角色的权限管理，记录操作日志
• 数据加密：敏感数据在传输和存储时加密

性能优化

• 缓存策略：对频繁检索的内容实施缓存
• 异步处理：耗时操作使用异步非阻塞方式
• 连接池：数据库和API连接使用连接池管理
• 负载均衡：多实例部署时配置负载均衡

可维护性

• 配置外置：所有配置参数外部化，便于不同环境部署
• 日志规范：结构化日志，包含请求ID便于追踪
• 健康检查：定期自检，及时发现潜在问题
• 版本管理：代码、配置、数据版本统一管理

7.2 扩展方向与进阶功能

智能体能力扩展

• 专科医疗智能体：针对不同科室训练专用智能体
• 地域法律智能体：适应不同地区的法律法规差异
• 实时数据智能体：接入实时药品价格、医疗政策变化

技术架构升级

• 分布式向量数据库：支持更大规模知识库
• 模型微调：基于专业数据微调基础模型
• 联邦学习：在保护隐私的前提下联合多个机构训练
• 边缘部署：在医疗机构本地部署轻量级版本

用户体验优化

• 多模态交互：支持语音、图像输入输出
• 个性化适配：基于用户历史调整回答风格和深度
• 渐进式推理：复杂问题分步骤交互式解答
• 可信度展示：明确标注信息源和置信度

实际部署时，建议从单一场景开始验证，逐步扩展智能体数量和知识库规模。每个新增功能都要有明确的评估指标和回滚方案，确保系统稳定性和可靠性。医疗和法律领域的AI应用需要格外谨慎，所有输出都应该包含必要的风险提示和专业免责声明。