检测健康指导代理的临床差异：双流记忆和协调架构

随着 大语言模型 (LLM) 代理从单会话工具过渡到管理纵向医疗保健旅程的持久系统，它们的记忆架构面临着严峻的挑战：协调两个不完美的事实来源。患者不断变化的自我报告是最新的，但容易出现回忆偏差，而电子健康记录 (EHR) 经过医学验证，但经常过时。通用智能体记忆系统通过用用户的最新陈述覆盖旧事实来优化一致性，这种模式在应用于临床数据时存在安全失败的风险。我们引入了双流记忆架构，该架构将患者叙述与结构化临床记录 (FHIR) 严格分开，由专用协调引擎管理，该引擎根据患者的 FHIR 配置文件评估每个提取的记忆，并按类型、严重性和所涉及的特定 FHIR 资源对差异进行分类。我们使用混合数据集对 26 名患者进行 675 次纵向健康辅导课程评估此架构，该数据集将真实的提供者-患者转录本与基于 FHIR 的合成临床场景交织在一起。在隔离测试中，引擎检测到 84.4% 的设计临床差异，并检测到 86.7% 的安全关键召回率。通过将相同数据的提取和协调评估结合起来，我们直接量化了 13.6% 的错误级联，将退化追溯到非结构化对话的记忆提取过程中丢失的临床细节，而不是下游分类错误。这些发现表明，根据临床记录验证患者报告的记忆对于安全部署纵向健康代理来说既可行又必要。