SymptomWise：面向可靠高效AI系统的确定性推理层

AI驱动的症状分析系统在可靠性、可解释性与幻觉方面面临持续挑战。端到端生成式方法往往缺乏可追溯性，并可能在安全攸关场景中产生无依据或不一致的诊断输出。我们提出SymptomWise，一个将语言理解与诊断推理相分离的框架。该系统结合了专家策划的医学知识、由确定性codex驱动的推理，以及对大语言模型的受限使用。自由文本输入被映射为经验证的症状表征，随后由一个在有限假设空间上运行的确定性推理模块进行评估，产出排序后的鉴别诊断。语言模型仅用于症状抽取与可选的解释生成，不用于诊断推理。这一架构提升了可追溯性，减少了无依据的结论，并支持对系统组件的模块化评估。在42个由专家编写的具有挑战性的儿科神经学病例上的初步评估显示，其结果与临床医生共识有明显重叠，88%的病例中正确诊断出现在前五位的鉴别诊断中。除医学外，该框架可推广到其他溯因推理领域，并可作为基础模型的确定性结构化与路由层，在有界任务中提升精度并可能减少不必要的计算开销。