经由状态增强逻辑技能赋能本地部署医疗Agent完成基于FHIR的临床任务

摘要

虽然大型语言模型展现出作为主动式医疗Agent的巨大潜力，但隐私约束下的数据稀缺严重制约了它们的真实部署。为克服这一点，我们提出State-Enhanced Logical-Skill Memory（SELSM），一个免训练框架，将模拟临床轨迹蒸馏为抽象技能空间中的实体无关操作规则。推理时，查询锚定的两阶段检索机制动态获取这些实体无关的逻辑先验，引导Agent逐步推理，有效解决状态多义问题。在MedAgentBench——唯一以真实临床数据为基准的权威高保真虚拟EHR沙盒——上评估，SELSM大幅提升了可本地部署基础模型（30B–32B参数）的零样本能力。值得注意的是，在Qwen3-30B-A3B主干上，我们的框架完全消除了任务链断裂，实现100%完成率，整体成功率绝对提升22.67%，并显著优于现有记忆增强基线。本研究表明，为模型配备可动态更新、状态增强的认知支架，是将AI Agent本地适配到临床信息系统的隐私保护且计算高效的路径。虽然目前以基于FHIR的EHR交互为初步验证，SELSM的实体无关设计为更广泛的临床部署提供了有原则的基础。

经由状态增强逻辑技能赋能本地部署医疗Agent完成基于FHIR的临床任务 — 图1：SELSM框架概览。（左上）跨机构部署情境：异构的医院系统（EHR、LIS、PACS等）在各机构特定的协议下运行，而在本地部署、由医疗专业人员指导的LLM发出保护隐私的操作查询。（右上）逻辑技能蒸馏（阶段1）：智能体与系统模拟器以闭环方式交互，观察当前状态 s s ，通过策略 p = π ( a ∣ s ) p=\pi(a\mid s) 执行动作 a a ，并接收系统响应 o o 。逻辑技能生成器 𝒢 \mathcal{G} 通过上下文编码器与经验解码器解析每条轨迹 τ = ( s , a , o ) \tau=(s,a,o) ，产出与实体无关的逻辑技能 e = 𝒢 ( τ ∣ θ ) e=\mathcal{G}(\tau\mid\theta) ，包含操作逻辑（Operational Logic）、规范示例与推理轨迹。（下）查询锚定的两阶段检索（阶段3）：在收到新任务时，系统首先通过查询相似度 p q p_{q} 对存储记录 ℛ = ( q , 𝒯 ) \mathcal{R}=(q,\mathcal{T}) 打分以执行任务级查询过滤；随后通过状态相似度 p s p_{s} 在候选内部状态上执行转移级状态排序；最后将检索到的技能与当前状态相结合，引导智能体采取更好的操作动作。