SEMA-RAG：用于医学推理的自我进化多智能体检索增强生成框架

检索增强生成（RAG）被广泛用于减轻医学问答中的幻觉和知识过时等风险，但其主要的单轮静态检索范式与临床推理的多阶段过程不一致。这种压缩的工作流程导致了两个结构性缺陷：问题到查询的翻译通常缺乏临床基础的语义解释，检索缺乏迭代的充分性反馈，从而难以形成可靠的证据链。我们认为，这两个问题都源于更深层次的原因：单一推理链因解释、探索和裁决的异构任务而超载。补救措施是通过任务解耦和动态多轮探索来重构工作流程。为此，我们提出了SEMA-RAG，一种用于医学问答的自我进化多代理RAG框架，它将这些角色分配给三个专业代理：用于临床模式解释的解释器代理、用于充分驱动的自我进化检索的探索者代理以及用于证据裁决和答案选择的仲裁者代理。在五个基准测试和五个 LLM 主干中，SEMA-RAG 将最强的基线平均提高了 +6.46 个准确点（按每个主干进行测量）。