EHRAgent：代码赋能大语言模型实现电子健康记录少样本复杂表格推理

大语言模型（LLMs）作为自主代理在规划和工具使用方面展现出卓越能力，但针对医疗问题求解的开发却很少。我们提出 EHRAgent，一个由代码接口赋能的 LLM 代理，能够在电子健康记录（EHRs）内自主生成并执行代码以进行多表格推理。首先，我们将 EHR 问答任务形式化为一个工具使用规划过程，有效地将复杂任务分解为一系列可管理的动作序列。通过整合交互式编码和执行反馈，EHRAgent 从错误信息中学习，并通过迭代改进最初生成的代码。此外，我们通过引入长期记忆来增强 LLM 代理，使 EHRAgent 能够有效地从过往经验中选择并借鉴最相关的成功案例。在三个真实世界多表格 EHR 数据集上的实验表明，EHRAgent 在成功率上比最强基线高出多达 29.6%。EHRAgent 利用了 LLM 新兴的少样本学习能力，通过最少的演示实现自主代码生成与执行，以应对复杂的临床任务。