用状态动态呈现临床 LLM 智能体的风险关注变化

部署在临床环境中的大语言模型（LLM）智能体常表现出突变的、阈值驱动的行为，在风险升级之前几乎无法洞察不断累积的风险。然而在现实医疗中，临床医生依据的是逐渐上升的担忧，而非瞬时触发。我们研究显式状态动力学能否在不把临床决策权让渡给智能体的前提下，暴露此类升级前信号。我们提出一种轻量级智能体架构，其中无记忆的临床风险编码器通过一阶与二阶动力学随时间积分，产生连续的升级压力信号。在合成病房场景中，无状态智能体表现出陡峭的升级悬崖，而二阶动力学在升级时点相近的情况下产生平滑、有前瞻性的担忧轨迹。这些轨迹在升级之前呈现出持续的不安，使人机协同监控与更知情的干预成为可能。我们的结果表明，显式状态动力学可以通过揭示担忧已持续上升多久——而不仅是阈值何时被跨越——使LLM智能体在临床上更可解读。