Debido a las limitaciones de entrenamiento, los LLMs generales a menudo carecen de la precisión y practicidad suficientes en dominios especializados como la gestión de la salud de los ancianos. Para ayudar a aliviar este problema, este documento presenta EHMQA-GPT, el primer LLM específico de dominio diseñado para usuarios no especializados (cuidadores, personas mayores, miembros de la familia y trabajadores de la salud comunitaria) para consultas de salud diarias de bajo riesgo en escenarios del mundo real. EHMQA-GPT innova en dos aspectos: (1) construcción de corpus profesional: establecimos un sistema de anotación multidimensional, integrando EHM-KB, EHM-SFT y EHM-Eval, para lograr representación vectorial y clasificación jerárquica del conocimiento del dominio; y (2) construcción de un modelo de lenguaje grande mejorado por el conocimiento: basado en ChatGLM3-6B, integramos mecanismos de recuperación de conocimiento y estrategias de ajuste fino supervisado, mejoramos el efecto de generación a través de la recuperación de la base de conocimiento y logramos una alineación profunda del conocimiento del dominio a través de un ajuste fino supervisado mixto. La parte de verificación experimental adopta pruebas en seis campos. EHMQA-GPT tiene una tasa de precisión del 78.1%, que es un 22.3% más alta que ChatGLM3-6B. La evaluación subjetiva construye un sistema de verificación dual (puntuación automática de GPT-4 + revisión ciega de expertos en gerontología) y es significativamente superior al modelo base en tres dimensiones: precisión del conocimiento (+38.9%), coherencia lógica (+39.4%) y orientación práctica (+31.4%). El marco y el corpus propuestos proporcionan una base novedosa y escalable para futuras investigaciones y despliegue de LLMs en la salud de los ancianos.