面向政策约束下LLM医疗申诉生成的Agent治理与对抗验证

理赔拒付管理每年给美国医疗体系带来约2600亿美元的行政开销。大语言模型（LLM）与检索增强生成（RAG）能生成流畅的临床文本，但单Agent架构在高风险医疗场景中会失败：它们会引入缺乏支持的临床细节，并丢失分层支付方政策的逻辑结构。我们提出AGVF（Agentic Governance and Adversarial Verification Framework，Agent治理与对抗验证框架），一个在显式政策与证据约束下生成医疗必要性申诉的多Agent架构。AGVF将申诉合成建模为五个Agent之上的约束马尔可夫决策过程（CMDP）：政策形式化、证据检索、缺口分析、对抗批评与门控合成。我们证明，在固定政策约束图上进行的精化会单调减少证据不足，并终止于完整的满足边界或局部化的证据缺口。确定性引用接地门会阻止没有可采信证据的断言进入共享状态。我们提供了参考实现，并在从去标识化公开出院数据参数化的1000个合成申诉案例上进行验证。验证确认所有AGVF案例中引用接地违规为零，且每个回合中不足度单调下降；消融该门后违规率升至100%，确认其承重作用。该研究未使用真实患者记录，也未测量临床疗效。AGVF由此为医疗领域政策约束下的LLM生成贡献了一个有理论支撑的Agent架构与经过验证的参考实现。