面向个性化体检解读与指引的多智能体 LLM 框架

一项 arXiv 论文提出多智能体 LLM 系统，用于个性化体检结果解读与健康指引。该系统识别多个意图、分配给任务专用智能体并行执行并汇总输出。研究基于合成体检记录，用 120 条含两到四项需求的韩语复合查询对比单智能体与多智能体：加权 LLM 评分从 1.695 升至 1.797（p=0.027），三位额外 LLM 评判也显示一致提升（Δ=+0.111 至 +0.186，均 p<0.05）。

此前多数评估聚焦单轮问答或单一任务，而这项研究把多智能体架构放到包含两到四项需求的复合查询上检验，并给出统计显著性与人工偏好结果。它同时披露延迟增至 1.31 倍、成本增至 2.02 倍，说明收益并非免费。

机制上，系统先识别查询中的多个意图，再映射到各自任务专用智能体并行执行，最后汇总为统一回答。提升主要来自有用性、一致性以及对复合查询中每项需求的覆盖，而数值准确性与依据性仅在四个评判中的一个显著改善，医疗安全无差异，关键失败率相近。

若把类似架构用于体检或健康解读类产品，需要为意图识别、任务智能体和结果汇总增加工程与推理开销，成本约翻倍、延迟上升三成。产品需按查询复杂度决定是否启用多智能体，并注意安全指标未改善，不能以架构升级替代安全设计。

• 在体检报告或健康管理产品中，按查询是否包含多项需求作为路由条件，仅在复合查询时启用多智能体，控制成本。
• 针对个人记录查询这一提升集中的场景做定向优化，验证真实用户数据上的效果。
• 建立覆盖每项需求是否被完整回应的评测指标，替代单一总分评估上线质量。
• 为数值准确性与医疗安全单独设置校验环节，因为多智能体在这两项上未带来显著改善。

• 该结果基于合成体检记录与韩语查询，能否迁移到真实记录和其他语言尚不明确。
• 加权 LLM 评判的评分提升与真实临床或用户价值之间的关系未被验证。
• 多智能体在个人记录查询上提升更明显的原因，论文仅作探索性亚组分析。
• 关键失败率相近且医疗安全无差异，是否满足医疗类产品的安全门槛仍待评估。