医疗诊断任务的复杂性在症状表现和疾病关联上尤为突出。医疗诊断任务因“同病异症”与“异病同症”的复杂性，对模型推理能力提出了更高要求。传统检索增强生成(Retrieval-augmented Generation，RAG)技术的静态检索和单步推理难以捕捉多层级逻辑关系(如症状→科室→疾病→鉴别诊断)。为有效突破这一局限，本研究提出一种面向医疗领域的新型框架——基于提示引导多跳推理的医学诊断检索增强生成模型(Prompt-Guided Multi-Hop Reasoning for Retrieval-augmented Generation，PGM-RAG)。该框架结合医学领域基础知识，通过设计每个推理步骤的提示信息，为模型提供清晰的推理指引。同时，设计量化重写机制，严格控制大语言模型生成内容的准确性，从而提升推理过程的可靠性和诊断结果的精确性。在Huatuo-26M和WebMedQA两个公开医学数据集上的实验表明，该模型在EM和F1指标上分别优于现有最佳方法12.6%和8.9%，且消融实验证明多跳推理链与量化重写机制对模型性能有显著提升作用。