MedRSI：通过临床对齐自进化实现医疗智能体的递归自我改进

医疗智能体日益将通用推理模型与专业临床工具相结合，但其能力在很大程度上仍由临床人员与工程师在部署前的设计所固定。递归自我改进（RSI）提供了另一种范式：智能体从自身失败中学习并自主扩展能力，但将 RSI 直接应用于医学会带来根本性的安全挑战。我们提出 MedRSI，首个面向医学的递归自我改进框架，通过工具组合与任务特定模型训练，持续将诊断失败转化为新的临床能力。受临床实践启发，MedRSI 引入两种临床对齐的自进化机制：临床代价感知的失败优先级，依据潜在临床后果而非仅按频率引导改进方向；快速发现、慢速注册，将快速的能力发明与保守的采纳相分离，使新工具只有在后续患者队列中证明持续收益后，才进入持久化的智能体。在公开的青光眼与心脏病基准以及两个私有临床任务上，MedRSI 逐步发展出分割、测量、预测、多模态推理与生成能力，超越人工设计的医疗智能体，并自主发现了其最初设计者未曾预料的临床问题解决方案。我们的结果表明，医疗智能体不必受限于部署前规定的能力：在以临床为依据的机制约束改什么、留什么的前提下，它们能够从诊断经验中持续构建、验证并积累新能力。代码已开源，见原文链接。