面向人群规模心理健康筛查的基于LLM的智能体框架

精神健康障碍影响着全球数百万人，医疗系统正日益被电子病历、远程医疗平台和人群级筛查项目所产生的海量临床数据压得不堪重负。与此同时，医疗领域新型AI方法的出现，要求有能够处理特定领域非结构化临床信息、同时适应患者特定需求的智能框架。本文提出一个用于构建鲁棒LLM流水线的智能体框架，其中每个阶段都封装为一个由显式策略和代理指标引导评估所约束的LangChain智能体。各阶段一经验证即被增量锁定，确保后续适配不能在未证明改进的情况下覆写配置。所提出的框架从特征级探索出发，经由基于代理指标的调优和冻结/回滚机制，演进为由Orchestrator Agent全面编排的形态，后者协调预处理、检索、选择、多样性、阈值优化和解码。在基于对话记录的抑郁检测中的概念验证表明，该框架收敛到稳定配置，如余弦相似度、动态Top-k和阈值0.75，同时控制了评估成本并避免了性能回退。这些结果凸显了智能体AI在大型临床数据集上实现人群级心理健康筛查的潜力，应对了医疗环境所要求的可信性、可复现性和适应性方面的关键挑战。