CureAgent：面向临床推理的无训练执行者-分析师框架
人工智能
2025-12-08 v1
摘要
当前基于小型LLM的临床智能体（如TxAgent）存在“上下文利用失败”问题，即使经过监督微调后成功检索生物医学证据，却无法将诊断依据 grounding 在这些信息上。本文提出了执行者-分析师框架（Executor-Analyst Framework），一种模块化架构，将工具执行的语法精确性与临床推理的语义鲁棒性解耦。通过将专用TxAgent（执行者）与长上下文基础模型（分析师）协调运行，可缓解单一模型中观察到的推理缺陷。除了简单的模块化设计，我们还展示了分层集合策略显著优于全局池化，能够保留证据的多样性，有效解决信息瓶颈。此外，我们的压力测试揭示了关键的规模性洞察：（1）“上下文-性能悖论”，即将推理上下文延伸至12k token 以上会引入噪声，导致准确率下降；（2）工具空间中“维度灾难”，即扩大工具集需要层次化检索策略。关键的是，我们的方法强调了无训练架构工程的潜力，无需昂贵的端到端微调即可实现最新性能，并为下一代可信赖的AI驱动疗法提供了可扩展、敏捷的基础。代码已发布于 https://github.com/June01/CureAgent。
关键词
引用
@article{arxiv.2512.05576,
title = {CureAgent: A Training-Free Executor-Analyst Framework for Clinical Reasoning},
author = {Ting-Ting Xie and Yixin Zhang},
journal= {arXiv preprint arXiv:2512.05576},
year = {2025}
}
备注
2nd Place Solution to the CURE-Bench Competition @ NeurIPS 2025. Code available at https://github.com/June01/CureAgent