GAMA：规则记忆与双循环验证的多Agent实体抽取

大型语言模型（LLM）通过指令遵循和上下文学习，展现出生物医学命名实体识别（BioNER）的潜力，但现有方法有两项限制。首先，检索示例和外部医学知识对数据集特定标注语义的支持有限，实体边界、类型范围和标注约定仍不明确。其次，自由生成缺少结构控制，常出现无效格式、幻觉提及、重复实体和边界错误。我们提出GAMA，一种指南增强的多Agent框架，将BioNER模式表达为代码。GAMA先从已标注训练实例归纳候选规则，并对照标注数据验证，建立可靠的数据集特定指南记忆。在已验证规则引导下，规划组件生成带理由的排序跨度—类型假设，编码组件将其转成受模式约束的实体对象。验证模块检查跨度依据、类型合法性和结构合规性，并进行双循环细化，纠正无效或低置信度预测。在五个常用BioNER数据集和多个LLM骨干上的实验显示，GAMA持续优于强LLM基线。消融和参数分析进一步验证各组件的有效性。