这是一个研究医疗助手如何分工、使用证据和记住用户信息的工程项目，同时包含一个小型医疗模型的训练实验。
医疗助手由总控 Agent 接收问题，按需要调用健康咨询、诊断和医学研究三个专业 Agent，再结合检索资料汇总答复。患者档案保存用户明确提供的稳定信息，长期记忆支持跨会话回查，检索工具提供可追溯的回答依据。
模型训练以 Qwen3.5-2B 为基础，比较学习医学原文、学习问答示例以及按回答评分优化模型这几种方法。Agent 系统通过模型 API 运行，下面的整体测评使用 Qwen3.5-27B；小模型训练单独评测，尚未作为该组 Agent 整体测试的执行模型。
Agent 使用说明 · Agent 整体测评 · Agent 架构对照 · Agent 关键设计 · SFT 规模与 CPT 机制 · 训练与推理 · 模型与数据 · 全部精选测评
项目迭代围绕总控如何分工、跨轮状态怎样更新、历史如何回查以及证据怎样交付展开。当前保留六项核心设计：
| 设计 | 当前实现 |
|---|---|
| 按语义与依赖调度 | 总控根据问题和已有结果选择专业 Agent；包括同专业在内的独立任务可同轮并行，依赖由模型判断、分轮执行，各 Worker 只获得职责内工具 |
| 分层记忆与上下文预算 | 患者档案保存稳定事实，近期对话按完整轮次与字符预算保留，Mem0 提供跨会话事件检索 |
| 有原话依据的档案更新 | 模型提议新增、更正、否定和停用状态；代码校验用户范围与本轮原话证据后持久化 |
| 主动补查与来源保留 | 初始历史不足时调用补查工具；新记忆保留有长度上限的用户原话，区分事件、咨询与系统保存时间 |
| 证据交付与复用 | Worker 返回实际检索摘录供总控核对；同一次调用内复用相同请求，并用引用代替重复文档正文 |
| 执行控制与可追溯状态 | 正式工具调用经过白名单、参数和作用域检查；配置调用上限、轮数与超时，记录实际执行及返回结果 |
当前执行流程与上下文 · 9 月 9 日冻结版本的设计与整体验证。下图展开总控、专业 Agent 和实际注册的工具/Skills。
flowchart TB
User["用户"] --> Supervisor["MedicalSupervisorAgent<br/>理解需求 · 按依赖调度"]
Memory["患者档案 · 近期对话 · Mem0 历史"] --> Supervisor
subgraph MemoryTools["总控记忆工具"]
Profile["update_patient_profile<br/>更新患者档案"]
History["search_patient_history<br/>补查跨会话历史"]
end
Supervisor --> Profile
Supervisor --> History
subgraph ConsultationGroup["健康咨询 Agent 与 Skills"]
Consultation["Consultation Agent"]
Lifestyle["recommend_lifestyle<br/>检索生活方式建议的候选资料"]
Consultation --> Lifestyle
end
subgraph DiagnosticGroup["诊断 Agent 与 Skills"]
Diagnostic["Diagnostic Agent"]
Symptoms["analyze_symptoms<br/>风险与症状候选资料检索"]
Code["disease_code<br/>ICD-10 编码查询"]
Diagnostic --> Symptoms
Diagnostic --> Code
end
subgraph ResearchGroup["医学研究 Agent 与 Skills"]
Research["Research Agent"]
Guideline["clinical_guideline<br/>临床指南检索"]
Knowledge["search_knowledge<br/>医学知识库检索"]
DeepResearch["deep_research<br/>Tavily 实时来源检索"]
Research --> Guideline
Research --> Knowledge
Research --> DeepResearch
end
Supervisor -->|call_consultation_agent| Consultation
Supervisor -->|call_diagnostic_agent| Diagnostic
Supervisor -->|call_research_agent| Research
Consultation -.->|结果与实际证据| Summary["MedicalSupervisorAgent<br/>核对证据 · 汇总答复"]
Diagnostic -.->|结果与实际证据| Summary
Research -.->|结果与实际证据| Summary
Supervisor -->|可直接回答| Summary
Summary --> Answer["用户答复"]
图中列出最多 5 个总控工具和 6 个 Worker Skills；节点名称对应实际调用函数。上下两个 MedicalSupervisorAgent 节点表示同一总控的调度与汇总阶段。总控记忆工具按用户身份和长期记忆配置启用。Skills 由说明元数据和可执行 Python 函数组成；风险与症状共用一个检索工具，判断由诊断 Agent 完成。Agent 注册代码 · Skills 实现
| 项目工作 | 实验比较与主要结果 | 详细说明 |
|---|---|---|
| 多轮任务完成情况 | 72 个合成场景中，67 场的全部适用检查项获两位模型评审通过 | 场景、回答与评分 |
| 专业分工的运行效率 | 在 32 道资料核对题上，相对一个助手连续多轮复核，独立分工方案平均耗时减少 41.3%、输入文本量减少 74.8%；两组完整正确均为 13/32 | 分工方案与对照方法 |
| 检索资料是否齐全 | 432 条可回答查询中，每次取前三篇资料比只取第一篇多覆盖 75 个问题所需的全部来源 | 检索数据与结果 |
| 问答训练数据的组成 | 使用 5,000 条通用与医疗混合示例，相对原项目 5,418 条医学问答，通用答案满分率增加 16.83 个百分点 | 数据来源、数量与评分 |
| 学习医学原文 | 继续学习约 808 万 token 的文本后，600 道医学选择题的选项排名正确数由 305 增至 325 | 医学原文训练实验 |
| 医学图像问答优化 | 93 个图像问题上，按回答评分继续优化后，归一化评分从 60.75 增至 66.13 | 图像问答训练与评分 |
运行 9 月 9 日冻结版本的完整 Supervisor、专业 Agent、患者档案、记忆和工具流程，检查系统能否完成多轮任务。被测模型统一为 Qwen3.5-27B；MiniMax M2.5 与 Qwen3.5-27B 分别担任独立评审。
| 能力 | 场景数 | 执行完成 | 有效双评 | 全部适用检查项通过 |
|---|---|---|---|---|
| 多轮问诊与咨询 | 24 | 24 | 23 | 21/24 |
| 病史与跨会话记忆 | 24 | 24 | 24 | 23/24 |
| 证据检索与使用 | 24 | 24 | 24 | 23/24 |
| 合计 | 72 | 72 | 71 | 67/72（93.1%） |
每类含常规、复杂、边界各 8 个合成场景；通过要求两名评审对全部适用项均判通过。1 场评分错误仍计入 72 场分母。该组是冻结版本在已用于迭代的历史场景上的回归表现，逐轮核对回答、前后档案和工具证据；不构成多 Agent 优于单 Agent 的对照，也不是 9 月 10 日代码的重新验收。
同批运行共记录 365 次工具请求、195 次检索后端执行，含预置历史的场景耗时中位数 84.8 秒。
完整方法与结果 · 72 场逐项评分表 · 回答与双评理由 · 原始轨迹与评分
这组实验让助手阅读模拟资料，核对不同患者、日期和适用条件对应的待办事项。“连续复核单 Agent”让同一个助手分多个方向依次检查；“独立分工多 Agent”让专业助手各自阅读相关资料，再由总控合并清单。下面的效率数字比较这两种完整流程，分工方案是评测原型。
在 32 道多事项核对题、898 个标准事项上，连续复核单 Agent 与独立分工多 Agent 的完整正确清单均为 13/32。分工方案在 24/32 道题中实际并发，平均耗时由 119.8 秒降至 70.3 秒（−41.3%），输入 token 从 2,486,128 降至 627,044（−74.8%）。
另一组 12 场景、四种架构、96 次主对照及 12 次串行消融定位了“同专业不同任务”误拒绝：实验时的旧版方案出现 9 次，独立任务候选为 0 次。两组实验的冻结输入、逐项分析、108 次架构运行、128 次覆盖率运行及 1,248 份轨迹/评分证据已公开。完整架构报告与离线复算
在固定的诊断、问诊和研究三个独立任务上，使用 MiniMax M2.5 作为被测 Agent 模型，串行与并行各执行 3 次。Worker 批次平均耗时由 49.80 秒降至 20.15 秒，缩短 59.5%。计时覆盖子任务执行阶段，总控规划和汇总另计。
两组使用同一模型、同一批任务，只改变调度方式；这是调度耗时对照。完整流程的请求数、费用和耗时另见 架构测评。
RAG（检索增强生成）先从知识库找资料，再让模型依据资料回答。本项先检查检索阶段：返回的资料是否包含回答问题所需的全部来源。Top 1、Top 3、Top 5 分别表示取排名前一篇、前三篇和前五篇。
在 1,016 篇 MedlinePlus 健康主题摘要、800 条查询的固定数据上，以 Qwen3-Embedding-8B 生成检索向量，按预先标注的目标来源直接计算覆盖，无需回答评分模型。测试集有 432 条完全可回答查询，保持同一排名，只改变返回的候选数量：
| 检索配置 | 完整目标来源覆盖 | 覆盖率 |
|---|---|---|
| Top 1 | 333/432 | 77.1% |
| Top 3 | 408/432 | 94.4% |
| Top 5 | 421/432 | 97.5% |
Top 3 比 Top 1 多覆盖 75 个问题所需的全部来源，说明保留多个候选能更好地支持多证据问题。统计使用无相似度过滤的固定排序，衡量检索覆盖；资料来自公开摘要，查询为合成检索任务。数据、排名与复算
Mem0 是本项目使用的长期记忆组件：从对话提取用户信息，保存后供下次会话查询。本项通过关闭并重开存储，检查记忆是否真正持久化，以及返回的记忆能否支持预设的历史问题。
冻结组件测评包含 120 个合成场景、240 次正向查询；每个场景写入两次会话，关闭并重新打开本地 Mem0 OSS / Qdrant 存储。测试集为 96 场景、192 次正向查询，固定实际召回记录及阈值 0.3：
| 检索配置 | 全部预期事实得到记忆支持 | 支持率 |
|---|---|---|
| Top 3 | 176/192 | 91.7% |
| Top 10 | 184/192 | 95.8% |
未知用户与其他应用的查询空返回均为 96/96。这验证持久化、作用域和候选事实覆盖；该组件实验预先指定查询，没有测试总控是否会主动发现缺口并构造补查。后续回答实验复核并修正了 11 项旧记忆标签，原始冻结分数仍保留，见组件报告及标签修正与回答延伸。
9 月 9 日记录有 104 项 Agent 测试和 48 项评测运行器测试通过；9 月 10 日更新另运行 81 项针对性测试，覆盖角色工具集合、同专业任务并行、搜索参数、错误返回、上下文、证据回传与复用。网络输出使用确定性测试替身，历史与本次测试数量不相加作为独立能力样本。测试代码
训练目标是让一个 2B 参数规模的模型适应医学问答，同时检查通用能力是否保留。持续预训练（CPT）学习医学原文；监督微调（SFT）学习带推理和答案的问答示例；GSPO 根据回答奖励做进一步优化。LoRA 是这些实验使用的参数高效微调方式。图像问答在报告中简称 VQA。
实验关注两个选择：训练数据应该怎样搭配，以及增加不同问答示例是否有帮助。原项目训练集有 5,418 条医学问答；新的混合方案由 80% 通用指令、15% 医疗推理问答和 5% 原项目数据组成，分别训练 5,000 条和 20,000 条。另设重复使用同一批 5,000 条的对照，让训练所见的答案与推理文本总量接近 20,000 条方案。
七种训练方案回答相同的 600 道医疗题和 600 道通用题。其中，5,000 条混合示例方案在通用题上有 321/600 份答案获满分，原项目方案为 220/600，相差 16.83 个百分点。两组均先做医学原文训练。数据组成、抽样质量检查、增加样本及训练顺序的完整比较见训练报告。
在500篇 CPT 已曝光来源的500道留出关系题上，加入复杂医学关系问答后，CPT模型答案满分率20.0%→30.4%，无CPT模型也从18.4%→28.6%；两种 SFT 配方均为52.25万监督token。固定新SFT，CPT额外提高1.8个百分点，95%文档配对区间[−2.2, +5.6]，属于小幅正向信号。
同一新SFT配方在一般医学题上也有迁移收益：CPT条件下302/599→325/599（+3.84个百分点，95%区间[+0.50, +7.18]）。结果支持包含医学关系推理的新配方比等预算重复原题更有效；新知识和样本多样性也同时改变，尚未单独证明推理复杂度的因果作用，也不代表通用能力普遍提升。训练方式、覆盖隔离、全部对照与逐题证据。
CPT 训练语料共 8,081,489 个输入 token：PubMed 5,655,154、StatPearls 1,376,515、医学教材 968,797，另含 81,023 个通用文本 token；选择 18,781 篇医学文档，打包为 4,505 个训练文本块。仓库直接公开语料构成与哈希、打包审计和构建限制，不重新分发许可尚未逐项核清的原文。
审计检查每段训练文本能否追溯到来源、打包是否正确及训练/验证数据是否隔离。语料按与项目问题有关的关键词选取，其选材方式和覆盖限制在语料说明中公开。数据与实验更新于 2026-09-11。
模型侧统一以 Qwen3.5-2B 为被测基座，分别验证训练配方、CPT/SFT 阶段、GSPO 和通用能力。下表每行是独立冻结的实验；模型名称、评分器与样本划分在模型测评报告中对应列明。
| 重要测评 | 数据与对照 | 关键结果 |
|---|---|---|
| 六种微调配置 | 比较不同 LoRA 训练配置；150 道知识题与 97 道带上下文的题 | 知识题四组答案归一化分为 62.33–67.33，上下文题两组为 87.11–87.63；配置编号及对应设置见详细报告 |
| 医疗选择题四阶段 | 新留出 600 题，同题比较原始、仅 CPT、仅 SFT、CPT+SFT；关键词 CPT 实验 | 候选字母排名正确数依次为 305 / 325 / 293 / 323（各 /600）；CPT+SFT 比仅 SFT +5.00 个百分点，名义 95% 区间 [+2.00, +8.17] |
| 医学图像问答奖励优化 | 在已微调模型上继续进行 GSPO 训练；93 问、16 张项目验证图像 | 归一化评分 60.75→66.13；满分 50/93→57/93；9 题评分改善、2 题降低 |
| 知识与病例 GSPO | 扩展 CPT+SFT 权重，RL 关闭/开启；150 知识 + 162 病例项目测试题 | 已公开 312 道项目测试题的关闭/开启配对回答、答案分与解释分 |
六种微调配置与图像问答使用 0/1/2 模型评分再归一化，分数不同于严格正确率。600 题按原题标签计分，选自官方 MedMCQA train 中项目此前未使用的题，候选排名与自由回答分开报告。VQA 为单种子验证集模型评分，其中 1 对相同输出得到不同分数。各组完整基线、解释分、生成设置和逐题证据见模型测评报告，阶段探针与开发实验另列。
使用原始 Qwen3.5-2B 与先学习医学原文、再学习医学问答的模型在三个通用测试集（MMLU 知识选择题、ARC-Challenge 科学推理题、HellaSwag 常识续写题）各 500 道固定抽样题上配对比较，共 1,500 道独立题：
| 基准与零样本候选似然指标 | 原始模型 | CPT+SFT | 变化（百分点） | 配对 95% 区间 |
|---|---|---|---|---|
MMLU 子集 · acc |
61.2% | 59.0% | −2.2 | [−5.6, +1.4] |
ARC-Challenge · acc_norm |
44.2% | 51.2% | +7.0 | [+3.8, +10.2] |
HellaSwag · acc_norm |
65.8% | 67.4% | +1.6 | [−0.6, +3.8] |
ARC-Challenge 的改善经三项主检验 Holm 校正后达到统计显著，另两项差值区间包含零。MMLU 排除六个医学科目；这是单训练种子和固定子集结果。三项基准与离线复算
原项目医学问答数据集包含 5,418 条训练、503 条验证、514 条测试记录及 314 张图片，来自 VQA-RAD、MedMCQA、PubMedQA，含模型辅助标注。数据来源与许可证
已发布六种 LoRA 微调配置的权重、医学图像问答奖励优化权重，以及 CPT→SFT→GSPO 四阶段权重链。权重链需按 CPT、SFT、RL 的依赖顺序合并，不能把后段适配器直接挂到原始基座；固定版本、哈希、配方和加载命令集中在 训练与推理说明。
关键词 CPT 使用约 808 万输入 token。仓库公开其来源构成、选择限制、打包审计和训练文件哈希，不重新分发完整原文；关键词候选尚未完成逐条语义覆盖认证，教材、Bookshelf/StatPearls 与 PubMed 摘要的再分发条件需按来源核查。CPT 语料与机制审计
需要 Python 3.11+ 和可用的 OpenAI 兼容 API。以下为 PowerShell 命令：
git clone https://github.com/qhzeng-gittec/medical-agent-assistant.git
cd medical-agent-assistant
python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -r medix-agent-swarm/requirements.txt -r requirements-dev.txt
Copy-Item config.example.py config.py
$env:LLM_API_KEY = "你的 API key"
$env:LLM_MODEL = "你的模型 ID"
$env:LLM_BASE_URL = "你的 OpenAI 兼容 API 地址"
python medix-agent-swarm/main.py需要检索的问诊还需配置 Milvus、嵌入模型和知识库，见 Agent 安装说明。示例资料为合成技术文本。Linux/macOS 的环境设置与离线演示也见该文档。
medical-agent-assistant/
├── medix-agent-swarm/ # Agent、技能、记忆、检索、示例与测试
├── MediX-R1/ # 训练、数据处理、评测与实验报告
├── results/ # 完整评测索引、汇总指标与复算工具
├── release/ # Hugging Face 产物上传工具
├── config.example.py # API 与可选 Mem0 配置
└── requirements-dev.txt # 测试依赖
项目用于研究和工程实验，尚未经过独立临床验证，不能替代专业诊疗。评测场景为合成资料或公开数据改编；上游来源与许可证随数据保留。运行时的密钥、患者档案和数据库应保存在各自的部署环境中。