用于复杂可穿戴健康分析的面向任务的多代理框架

可穿戴健康问题通常结合了数据检索、纵向分析和结构化记录的健康建议。用完整的记录和复合查询提示单个大型语言模型会掩盖每个请求是否被执行以及哪些证据支持答案。我们提出了一种面向任务的多代理框架，它将复合查询表示为不同的意图和具有显式意图内依赖性的类型化任务。专门的代理执行检索、分析和建议任务；孤立的意图状态在聚合之前保留请求边界和证据关系。我们在包含 10{,}000 美元虚拟用户和一个月的纵向可穿戴记录的综合数据集上评估该框架，涵盖结构化数据检索、多意图识别和整体响应质量。在 $1{,}500$ 检索问题中，查询代理实现了 $98.3\%$ 准确度，而 Direct LLM 基线的准确度为 $97.9\%$，同时将平均查询阶段词元消耗从 $6{,}869$ 减少到 $3{,}136$。在 $180$ 多意图问题上，经理代理实现了 $100.0\%$ 多意图覆盖率和 $94.4\%$ 多集 Jaccard 相似度。在当前的综合评估设置下，我们的方法在两个问题类别上获得了较高的平均可信度和透明度得分，而可操作性并没有持续提高。这些结果提供了初步证据，表明明确的任务组织可以支持与任务相关的数据访问和基于数据的纵向分析，同时将健康建议的生成和对真实可穿戴数据的验证作为开放的挑战。