GraphDx：面向顺序诊断的成本感知知识增强多智能体框架

事件 / 论文概述

2026年7月20日，arXiv上发布了论文 《GraphDx: A Cost-Aware Knowledge-Enhanced Multi-Agent Framework for Sequential Diagnosis》（[arXiv:2607.15280]）。该研究由Shaoting Tan等十位作者合作完成，重点解决大语言模型在顺序诊断中的“知识-推理鸿沟”问题——现有LLM虽编码大量医学知识，但难以在成本约束下系统推理，常导致过度检查。作者提出了GraphDx框架，通过自动化构建医学诊断知识图谱（MDKG）并引入三智能体协作机制，在保持高诊断准确率的同时显著降低测试成本。

关键技术点

  1. 医学诊断知识图谱（MDKG）自动化构建
    利用LLM从医学文本中自动构建知识图谱，包含量化典型性（quantized typicality）、以动作为中心的拓扑结构（action-centric topology）以及双目标属性（dual-objective attributes），分别关注诊断相关性和成本敏感性。

  2. 三智能体协作架构

    • 感知智能体（Perception Agent）：处理语言理解与信息提取。
    • 推理智能体（Reasoning Agent）：在MDKG上执行确定性的证据评分与成本感知规划，无参数学习，完全基于图谱推理。
    • 决策智能体（Decision Agent）：负责语言生成与最终诊断输出。
      三个智能体各司其职，其中推理智能体承担核心的“思考”与“规划”任务。

  3. 成本感知的顺序诊断
    在迭代信息收集过程中，推理智能体动态平衡诊断准确性与资源成本，避免过度测试。

  4. 实验表现
    在MedQA和MIMIC-IV两个数据集上，基于三种LLM骨干（DeepSeek-V3, Kimi-k2, Llama-3.3）进行测试：

    • 诊断成功率：从基线（50%–68%）提升至 79%–93%
    • 测试成本：降低 20%–54%

对数据科学或 AI Agent 落地的意义

  • 医疗行业落地价值：GraphDx直接面向临床诊断场景，其成本控制特性可有效减少不必要检查，降低患者负担和医保支出，提升医疗资源利用率。
  • 多智能体系统设计范式：该框架展示了“知识注入 + 结构化推理 + 分工协作”的经典范式，为其他领域（如法律咨询、金融风险评估）的顺序决策任务提供了可复用的架构模板。
  • 可解释性提升：由于推理智能体在显式的知识图谱上执行确定性计算，决策过程完全可追溯，增强了医生对AI辅助诊断的信任。

我的技术点评

GraphDx的核心亮点在于将大模型的“感知/生成”能力与结构化知识图谱的“推理/规划”能力解耦，既利用了LLM在语言理解和知识抽取上的优势，又通过成本感知的图谱推理避免了LLM自由生成的不可控性。这种方法比端到端的LLM微调更经济（无需更新模型参数），也更鲁棒。

不过，论文未说明MDKG的自动构建质量如何保证（例如LLM可能引入幻觉关系），以及当疾病种类或临床路径极庞大时，推理智能体的计算复杂度是否可控。此外，三个智能体的协作依赖工程层面的对话协议设计，框架的通用性有待更多领域验证。总体而言，GraphDx为“LLM + 知识图谱”在受限决策场景下的落地提供了扎实的范例。

原文链接