用于临床Agent的个性化状态转换感知存储器

对临床记录进行推理的大语言模型 (LLM) Agent必须跟踪患者状态的变化，同时保留理解它们所需的历史记录。简单地积累记忆会让人不清楚哪些信息仍然适用，而覆盖早期记忆可能会抹去重建治疗史和临床轨迹所需的证据。我们引入了 STAM，一种状态转换感知内存框架，可记录新临床条目到达时的状态变化。 STAM 将语义检索与类型化临床关系相结合，以识别受影响的记忆，在“活动”中维护当前信息，在“历史”中维护被取代或解决的信息。在读取时，依赖于查询的门选择性地服务于历史存储器。在四个纵向临床基准中，我们通过下游问答、直接状态维护诊断以及大致匹配的上下文长度进行比较来评估 STAM。