LearnActCoder：按角色分配错误记忆的临床编码Agent

临床编码智能体反复遇到无依据编码、遗漏已记录病情、特异性错误和操作编码惯例不匹配等失败。我们提出推理时适应框架Learn-Then-Act，将小规模标注LEARN批次中的错误转换为结构化错误知识库MistakeKDB。假阴性经验交给召回导向的Coder，假阳性经验交给精确率导向的Judge。我们在LearnActCoder中实现该框架，构成Coder—Judge临床编码流水线，并在可用时以查找表提供依据。在150份匹配MIMIC-III记录上，结构化MistakeKDB使CPT F1提高5.9个百分点，而原始示例或反思式记忆接近无记忆基线；ICD-9的提升不显著。在匹配的MIMIC-IV队列上，记忆以召回率为代价提升ICD-10精确率，F1在统计上不变。将相同记忆用于1000份留出MIMIC-III记录，维持了稳定的ICD工作点，提供规模和稳定性证据。总体结果符合这样的解释：结构化反馈错误记忆有助于跨案例调整编码行为，无需更新权重或改变底层工作流。CPT/HCPCS绝对表现仍低，系统只进行了回顾性评估，并非临床部署。