过去两年，医疗大模型最常被追问的是：它答得准不准？
这个问题当然重要，但它正在变得不够用了。进入真实医疗场景后，一次回答的风险并不只来自模型”不知道“，还来自另一条更隐蔽的链条：问题有没有被正确拆开，资料来自哪里，检索结果是否与患者情境匹配，互相冲突的信息由谁筛掉，最后的结论能不能追溯。
如果这些环节都压在一次生成里，模型给出的答案再流畅，也很难让人放心。
一篇北大团队发表在 npj Digital Medicine 的研究把方向往前推了一步。研究团队提出 MultiMed-RAG，不再把医疗问答理解为“让一个大模型查完资料后作答”，而是把规划、拆题、选源、检索、核验和回答拆成一条由多个 Agent 协作完成的工作流。
它的意义不在于 Agent 数量变多，而在于医疗 AI 开始从“生成答案”转向“治理证据流”。
医疗RAG的问题，不只是知识库里“有没有”
RAG 的基本思路并不复杂：先从外部知识库中检索相关内容，再把资料交给大模型回答。它试图解决大模型知识陈旧、事实幻觉和来源不透明的问题，因此很快成为医疗问答系统的常见路线。
但传统医疗 RAG 往往只接一个或少数几个知识源。单一文本库擅长语义匹配，却不一定能处理药物关系、症状组合和疾病关联；知识图谱能给出结构化关系，却可能缺少最新、完整的临床解释；网页覆盖广，质量与粒度又不稳定。
更麻烦的是，多数系统默认“检索到的内容就可以使用”。只要文本与问题足够相似，它就会进入模型上下文。可在医学里，相似不等于相关，更不等于正确。两个疾病共享一组症状，一段看似接近的材料可能把推理带向错误方向。
MultiMed-RAG瞄准的正是这两个缺口：如何为不同问题选择不同知识源，以及如何在生成答案前再做一次证据核验。
研究团队没有把所有资料一次性塞进模型，而是构建了一套带分工的流程。系统先判断问题复杂度，再决定是否拆题；随后从八个知识源里动态选择两个；检索回来的材料还要经过 Verifier 过滤，最后才能进入回答环节。
这让 RAG 从一条简单的“检索—生成”管线，变成了一套有路由、有质检、也有出处的证据生产线。
一次医疗回答，被拆成六类角色
MultiMed-RAG 接到问题后，最先行动的不是回答者，而是 Planner Agent。
它判断输入属于简单问题还是复杂问题。诸如“某种疾病有哪些症状”这类直接问题，可以进入单步流程；涉及鉴别诊断、治疗规划或多层关系的问题，则交给 Subquery Agent 拆成两个或更多可以独立处理的子问题。
接下来，Retriever Agent 不直接搜索所有数据库，而是为每个问题选择两个最相关、同时又具有互补性的知识源。对应的 Knowledge Agent 负责调用具体工具，把资料取回来。
材料到手后，Verifier Agent 逐条判断证据是否相关、可靠，是否适合当前问题。被保留下来的内容才会交给 Responder Agent。最终答案同时给出所使用的上下文和来源，让读者能够追溯结论从哪里来。
图1：规划、检索、核验与回答组成完整证据链
这里的“多 Agent”并不是让多个大模型自由聊天。论文在方法部分写得很清楚：各 Agent 通过无状态 API 调用独立工作，不共享隐藏的对话记忆；模块之间依靠显式、结构化的状态传递信息。每个 Agent 都有固定角色、提示词和输出格式，Knowledge Agent 还被限制在特定检索工具内。
换句话说，它更像一套模块化工作流，而不是一群可以随意行动的数字医生。
八类知识源每次只选两个
系统把知识分成四大类、八个具体来源：
- 三个医学知识图谱：LMKG、HKG、PrimeKG；
- 两个文本数据集：Diseases Symptoms、Drug Reviews；
- 两个网页来源：Wikipedia、Mayo Clinic；
- 一个模型内部知识来源：LLM-Self。
这些来源各有分工。知识图谱适合查疾病、症状、药物和关系；文本数据集便于做语义相似检索；Wikipedia 提供通用概览，Mayo Clinic 更偏临床审校后的疾病、病因与治疗信息；LLM-Self 则被设为外部资料不足时的后备来源。
底层检索方法也不统一。系统混合使用向量搜索、Cypher 图查询、关键词网页检索和模型参数知识。Retriever Agent 会根据问题类型、关键医学实体和任务需求，选择最合适的两个来源。
“只选两个”是一项很实际的约束。它避免每次都调用全部知识库，把覆盖面与计算成本放在同一张桌上权衡。但它也埋下了后文会出现的问题：如果一开始选错了来源，Verifier 再严格，也只能在有限材料里做筛选。
Verifier删掉约一半材料，再把证据交给回答者
在整套架构里，Verifier Agent 是最接近医疗质量控制的一环。
研究者发现，系统检索到的上下文中，大约一半最终被过滤掉。Wikipedia 虽然因为覆盖广而经常被选中，但不少内容只提供一般性概述，缺少临床推理所需的具体信息，因此会在核验阶段被剔除。
这组结果揭示了医疗 RAG 中一个容易被忽略的事实：检索数量并不等于有效证据数量。把更多文本放进上下文，可能只是在增加噪声。决定答案质量的，是系统能否识别“这段资料虽然相似，但不该用于当前结论”。
五种基础模型获得增益，Qwen-32B却出现退步
研究共使用九个医疗数据集，覆盖选择题、疾病诊断和开放式问答三类任务；基础模型包括 GPT-4o、DeepSeek-V3.2、Claude-Sonnet-4.5、Qwen-32B、Gemma3-27B 和 GPT-oss-20B。
在六个结构化任务上，以六种基础模型为骨干进行比较时，MultiMed-RAG 在其中五种模型上取得最高平均表现。Claude-Sonnet-4.5 的总体平均准确率最高，为 82.79%。
相较直接生成，GPT-4o、DeepSeek-V3.2、Claude-Sonnet-4.5、Gemma3-27B 和 GPT-oss-20B 接入框架后的平均准确率分别提高 4.25、4.88、5.31、5.33 和 5.29 个百分点。
但 Qwen-32B 是明确的例外：平均准确率下降 4.07 个百分点；进一步拆分后，选择题任务下降 7.20 个百分点，疾病诊断任务下降 0.93 个百分点。
这不是应该藏起来的异常值，反而是理解 Agent 系统的关键。多一层规划、检索和核验，并不会自动带来增益。基础模型能否稳定执行角色提示、理解检索结果并遵守输出约束，会直接决定复杂工作流是放大能力，还是累积误差。
复杂临床叙事的收益更明显
从单个数据集看，MultiMed-RAG 报告的最佳准确率分别为：MedQA 86.88%、MedMCQA 85.04%、NEJM 80.29%、DDXPlus 87.68%、SymptomsDisease 83.54%、Symptom2Disease 73.76%。
与最强的非 MultiMed 基线相比，NEJM 数据集的提升最大，达到 3.13 个百分点；SymptomsDisease 的提升只有 0.18 个百分点。
两者的差异很有解释力。NEJM 问题通常包含更长的临床叙事，需要整合结构化关系、专业网页和多步推理，多源证据的价值更容易释放。症状到疾病的短文本分类则高度依赖检索的精确率和覆盖率，只要疾病之间症状相似，外部资料并不一定能显著拉开差距。
在专科分析中，MultiMed-RAG 在内科诊断上的准确率达到 89.27%，在血管医学上为 51.67%，说明不同专科仍存在明显难度差异。NEJM 的五个专科中，儿科相较简单 RAG 的提升最大，为 5.05 个百分点。
STAR结果更好，但“裁判”仍是另一个大模型
开放式医疗问答很难只用标准答案的文字相似度衡量。研究因此采用 LLM-as-a-judge，让外部大模型按照 STAR 原则进行成对比较：安全性、可信度、可行动性和责任性。
与直接生成相比，MultiMed-RAG 在 66.41% 的问题上被判定更安全，在 65.85% 的问题上更可信，在 60.96% 的问题上更具可行动性，在 59.56% 的问题上更负责任。
图2：MultiMed-RAG与基线在STAR维度上的比较
这些结果支持“多源证据加核验能改善回答质量”的判断，但不能直接等同于真实临床安全。评价者本身仍是大模型，它可能偏好更完整、更有结构、措辞更谨慎的答案，也可能继承自身的医学偏差。
因此，这组数据更适合被理解为开放式回答质量的代理指标，而不是临床风险已经得到验证的证明。
消融实验显示：核验与规划各有不可替代的场景
消融实验把框架中的知识源和 Agent 逐个拿掉，观察三个选择题数据集上的变化。
完整系统在 MedQA、MedMCQA 和 NEJM 上的准确率分别为 81.96%、83.67% 和 76.34%。去掉 Verifier 后，三项结果降至 74.71%、78.35% 和 74.05%。其中 MedQA 下降 7.25 个百分点，说明面对覆盖面广、检索噪声多的问题，核验是最重要的可靠性杠杆。
去掉 Planner 后，NEJM 从 76.34% 降至 71.15%，下降 5.19 个百分点。复杂专科问题更依赖正确拆题和知识源选择，规划错误会在后续链条中被不断放大。
知识来源同样不是可有可无。移除知识图谱、文本数据集、网页资源或 LLM-Self，都会造成不同程度的下降。消融结果指向的不是“某个 Agent 特别聪明”，而是不同来源和不同角色之间存在互补关系。
图3：专科表现、知识源调用与核验过滤情况
医疗Agent的价值是管理证据流而不是增加角色数量
MultiMed-RAG 给医疗 Agent 提供了一种更具体的定义。
Agent 化并不只是把一条提示词拆成几段，也不意味着系统已经具备自主诊疗能力。它改变的核心是责任边界：谁判断问题复杂度，谁选择知识源，谁负责检索，谁有权否决一段证据，谁把答案和来源交给用户。
这种分工让系统更容易被检查。出现错误时，开发者可以追踪是规划失误、知识源选错、检索偏移、核验过度，还是最后的生成没有遵守证据。相比一个端到端黑箱，这条路径更接近医疗系统需要的可审计性。
它也提醒我们，未来医疗大模型的竞争点可能不只是参数规模。谁能接入更可靠的知识源，谁能建立稳定的路由与验证机制，谁能让临床人员看见并修正证据链，可能比“模型多知道一点”更重要。
基准成绩之外，临床验证才是下一道门槛
论文使用公开知识源和公开基准，没有采集新的患者级数据。Planner偶尔会把简单问题过度拆解；语义检索在症状重叠的疾病中仍会出错；Verifier虽能清理噪声，也可能把有价值材料一并删掉，形成精确率与召回率之间的权衡。
更重要的是，九个基准上的准确率和 LLM 裁判给出的 STAR 结果，不能替代真实临床环境中的前瞻验证。电子病历里存在缺失信息、时间顺序、患者共病和机构差异，医生也需要知道系统为什么选择某条证据、又为什么排除另一条。
研究团队在讨论中提出，下一步可以连接 EHR 和专科知识库，进一步纳入影像、基因组、代谢组等多模态数据，并让临床人员进入查询、核验和修正循环。
这可能才是“医疗大模型走向 Agent”的关键：不是让 AI 更早独立行动，而是让每一步行动都留下证据，让人能够介入。
从这个角度看，MultiMed-RAG 的价值不只是把多个模块串在一起。它把一个更现实的问题摆到了台前：医疗 AI 的答案，必须由一条可追溯、可筛选、可质疑的证据链来支撑。
当模型开始学会组织证据，医疗大模型才算迈出了从“会回答”走向“能协作”的一步。
免责声明：
智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
本平台所发布信息的内容和准确性由提供消息的原单位或组织独立承担完全责任!
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
