GSEM：面向经验增强临床推理的基于图的自进化记忆

临床决策智能体可以从复用既往决策经验中获益。然而，许多记忆增强方法将经验存储为缺乏显式关系结构的独立记录，这可能引入噪声检索与不可靠的复用，在某些情况下甚至会不如直接LLM推理。我们提出GSEM（Graph-based Self-Evolving Memory，基于图的自进化记忆），一个临床记忆框架，它将临床经验组织成双层记忆图，同时捕捉每条经验内部的决策结构与经验之间的关系依赖，并支持适用性感知检索以及基于在线反馈的节点质量与边权重校准。在MedR-Bench与MedAgentsBench上使用两个LLM骨干，GSEM在所有基线中取得最高平均准确率，使用DeepSeek-V3.2与Qwen3.5-35B分别达到70.90%与69.24%。代码发布于 https://github.com/xhan1022/gsem。