MedBeads：用于值得信赖的医疗 AI 的原生代理、不可变数据基底

背景：截至 2026 年，大语言模型 (LLM) 展示了专家级的医学知识。然而，将它们部署为自主“临床代理”仍然有限。当前的电子病历 (EMR) 和 FHIR 等标准是为人工审查而设计的，从而造成了“上下文不匹配”：人工智能代理接收碎片数据，必须依靠概率推理（例如 RAG）来重建患者病史。这种方法会引起幻觉并妨碍可审计性。方法：我们提出 MedBeads，一种代理原生数据基础设施，其中临床事件是不可变的“珠子”——Merkle 有向无环图 (DAG) 中的节点——以加密方式引用因果前身。这种“一次写入，多次读取”的架构使得篡改在数学上是可检测的。我们实现了一个带有 Go Core Engine、用于 LLM 集成的 Python 中间件以及基于 React 的可视化界面的原型。结果：我们使用合成数据成功实施了工作流程。 FHIR 到 DAG 的转换将平面资源转换为因果关系图。我们的广度优先搜索 (BFS) 上下文检索算法以 O(V+E) 复杂度遍历相关子图，从而实现实时决策支持。防篡改是通过设计来保证的：任何修改都会破坏密码链。可视化通过明确的因果关系帮助临床医生理解。结论：MedBeads 通过从概率搜索转向确定性图遍历，从可变记录转向不可变链，解决了“上下文不匹配”问题，为“值得信赖的医疗人工智能”提供了基础。它保证人工智能接收到的上下文是确定性的且防篡改的，而大语言模型则确定解释。结构化 Bead 格式充当token高效的“AI 原生语言”。我们将 MedBeads 作为开源软件发布，以加速代理原生数据标准。