论文页面 - 经验造就熟练：通过自进化技能记忆实现可泛化的医疗智能体推理

来源：https://huggingface.co/papers/2606.09365 发布于 6月8日

·

由 https://huggingface.co/manglu3935 提交

Manglu (https://huggingface.co/manglu3935) 于 6月9日

作者：

,

,

,

,

,

,

,

,

,

摘要

SkeMex 是一个自进化框架，通过结构化的技能记忆增强医疗智能体，基于上下文效用区分有用经验并管理记忆保留，从而改善长期临床推理能力。

医疗智能体系统 (https://huggingface.co/papers?q=Medical%20agent%20systems) 日益被期望支持交互式临床决策 (https://huggingface.co/papers?q=interactive%20clinical%20decision%20making)，而不仅仅是静态的问答。在此类场景中，有效的智能体必须能够跨不断演变的案例复用先前经验，然而现有的记忆机制 (https://huggingface.co/papers?q=memory%20mechanisms) 往往保留原始历史轨迹，这些轨迹冗余、嘈杂且难以管理。更重要的是，它们很少区分哪些记忆对未来推理真正有用。这限制了它们为长周期临床推理积累紧凑且可靠经验的能力。为弥补这一差距，我们提出 SkeMex，一个部署后自进化 (https://huggingface.co/papers?q=post-deployment%20self-evolution) 框架，通过基于技能的记忆 (https://huggingface.co/papers?q=skill-based%20memory) 改进医疗智能体，且无需更新模型权重。SkeMex 将信息丰富的交互轨迹 (https://huggingface.co/papers?q=interaction%20trajectories) 提炼为结构化的技能，编码可复用的程序性知识 (https://huggingface.co/papers?q=procedural%20knowledge)，并将其组织成一个多分支仓库 (https://huggingface.co/papers?q=multi-branch%20repository)，涵盖通用、任务特定和动作层面的经验。为了确定哪些记忆应被复用和保留，SkeMex 从环境反馈中估计上下文依赖效用 (https://huggingface.co/papers?q=context-dependent%20utility)，并以此指导价值感知检索 (https://huggingface.co/papers?q=value-aware%20retrieval) 和仓库治理 (https://huggingface.co/papers?q=repository%20governance)。一个闭环的“读取-写入-评估-治理 (https://huggingface.co/papers?q=Read–Write–Assess–Govern)”生命周期进一步支持持续进化 (https://huggingface.co/papers?q=continual%20evolution)，通过写入新技能、更新效用、提升有用记忆并移除有害条目。在多种临床任务上的实验表明，SkeMex 在离线与在线设置 (https://huggingface.co/papers?q=offline%20and%20online%20settings) 下均持续优于代表性的基于记忆的智能体。它还能跨模型骨干进行泛化，并支持可迁移的技能记忆 (https://huggingface.co/papers?q=transferable%20skill%20memory)。所有数据和代码将公开发布。

查看 arXiv 页面 (https://arxiv.org/abs/2606.09365) 查看 PDF (https://arxiv.org/pdf/2606.09365) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.09365)

在您的智能体中获取此论文：

hf papers read 2606\.09365

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2606.09365 以将其链接到此页面。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.09365 以将其链接到此页面。

引用此论文的 Space 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2606.09365 以将其链接到此页面。

包含此论文的收藏集 0

没有包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以将其链接到此页面。