PathoSage：通过经验感知的智能体工作流迈向病理学多源证据裁定

多模态大语言模型（MLLM）与智能体工作流的最新进展为计算病理学展现出强劲前景，但可靠的patch级推理仍具挑战性。端到端病理MLLM常对形态特征产生幻觉，而近期的智能体系统通常将工具输出与检索到的知识合并进共享上下文，使决策易受冲突证据与上下文污染的影响。我们提出PathoSage，一个面向patch级病理多模态推理的三阶段框架，显式分离知识检索、证据收集与证据裁定。其核心组件结构化证据审议（Structured Evidence Deliberation）独立评估来自工具的异构证据、执行冲突分析，并在全新上下文中生成最终判断以减少锚定偏差。我们进一步引入免训练的Beta-Bernoulli经验系统，通过持续贡献归因建模工具的长期可靠性，并为未来的工具使用构建相似度加权先验。实验表明，PathoSage有效缓解了VQA幻觉与分类器分歧，优于强大的病理MLLM与智能体基线。我们的结果凸显，显式证据裁定与可靠性感知的工具建模是构建稳健病理智能体的关键要素。