用于纵向个人健康管理的自进化代理

# 面向纵向个人健康管理的自进化智能体  
来源：https://arxiv.org/html/2607.13940  
邓杰比 复旦大学大数据学院，上海，中国 同等贡献  
金彤 北京中医药大学生命科学学院，北京，中国  
韩静红 复旦大学类脑智能科学与技术研究院，上海，中国  
王宇新 复旦大学类脑智能科学与技术研究院，上海，中国  
王泽鑫 华中科技大学计算机科学与技术学院，武汉，中国  
司庆义 京东集团股份有限公司，北京，中国  
龚威康 复旦大学大数据学院，上海，中国  
庄吓海 复旦大学大数据学院，上海，中国  
游佳 复旦大学类脑智能科学与技术研究院，上海，中国  
计算神经科学与类脑智能教育部重点实验室，复旦大学，上海，中国  
程伟 复旦大学类脑智能科学与技术研究院，上海，中国  
复旦大学附属华山医院神经内科，上海，中国  
冯建峰 复旦大学类脑智能科学与技术研究院，上海，中国  
郭宏城 复旦大学大数据学院，上海，中国  

###### 摘要

个人健康管理是在反复的交互中展开的，然而大多数健康AI系统却孤立地处理每次请求。我们开发了HealthClaw，一个开源智能体架构，能够随着个人习惯、偏好、测量值和风险的变化而更新支持。该架构将共享安全规则和医学知识与包含个人档案事实、可重用程序和情景痕迹的私有纵向记忆相分离。每次交互后，归纳机制会决定哪些内容应更新档案、修改程序、保留为情景痕迹或被排除。我们通过一个合成的年度基准测试和九个200例生物医学任务对HealthClaw进行了评估。在900个纵向支持探针中，答案准确率从仅使用当前查询提示时的0.2%提升到HealthClaw的45.7%，同时提示侧上下文暴露量比使用完整历史提示降低了71.7%。在100个隐私探针中，HealthClaw相比两个基线产生了更高的隐私意识答案质量和更少的不安全披露。在生物医学任务中，任务特定主要指标的绝对平均增益为27.0个百分点，其中七项增益在经过错误发现率校正后仍保持显著。这些离线基准测试支持用于纵向个人健康智能体的受控自进化记忆，但临床有效性仍需前瞻性评估。HealthClaw公开提供于https://github.com/HC-Guo/HealthClaw。

###### 关键词：

医学人工智能；个人健康管理；纵向记忆；智能体系统；隐私

## 引言

个人健康管理是由建议给出后发生的事情所塑造的。膳食计划会遇到延迟的晚餐、变化的工作日程以及只有在使用中才会变得清晰的偏好。当日常习惯改变时，提醒会失效，而症状和测量值则通过其变化趋势获得意义。可穿戴传感器、数字生物标志物和移动自我管理项目使这些模式更容易被观察到，但支持在无法适应日常反馈和持续使用时仍然会失去价值[1 (https://arxiv.org/html/2607.13940#bib.bib1),2 (https://arxiv.org/html/2607.13940#bib.bib2),3 (https://arxiv.org/html/2607.13940#bib.bib3),4 (https://arxiv.org/html/2607.13940#bib.bib4),5 (https://arxiv.org/html/2607.13940#bib.bib5)]。因此，个人健康智能体必须允许重复的交互来改变对同一人后续的支持。

医学人工智能主要在处理单次交互级别的任务方面取得了进展。基础模型和大语言模型现已支持医学问答、诊断推理和对话式诊断[6 (https://arxiv.org/html/2607.13940#bib.bib6),7 (https://arxiv.org/html/2607.13940#bib.bib7),8 (https://arxiv.org/html/2607.13940#bib.bib8),9 (https://arxiv.org/html/2607.13940#bib.bib9),10 (https://arxiv.org/html/2607.13940#bib.bib10),11 (https://arxiv.org/html/2607.13940#bib.bib11)]。症状检查器和临床决策支持系统构建了评估和分诊的结构[12 (https://arxiv.org/html/2607.13940#bib.bib12),13 (https://arxiv.org/html/2607.13940#bib.bib13),14 (https://arxiv.org/html/2607.13940#bib.bib14)]，而较新的个人健康系统将睡眠、活动和可穿戴设备数据流转化为面向用户的指导[15 (https://arxiv.org/html/2607.13940#bib.bib15),16 (https://arxiv.org/html/2607.13940#bib.bib16)]。医学智能体研究也已开始正式定义动作空间和工作流评估[17 (https://arxiv.org/html/2607.13940#bib.bib17)]。但关于个人状态、可重复程序和披露边界如何在数月的交互中变化的关注较少。

智能体记忆和自改进系统提供了部分解决方案。检索增强生成和长期记忆改善了对先前信息的访问[18 (https://arxiv.org/html/2607.13940#bib.bib18),19 (https://arxiv.org/html/2607.13940#bib.bib19),20 (https://arxiv.org/html/2607.13940#bib.bib20),21 (https://arxiv.org/html/2607.13940#bib.bib21),22 (https://arxiv.org/html/2607.13940#bib.bib22)]，而来自先前轨迹的反馈可以改变后续行为[23 (https://arxiv.org/html/2607.13940#bib.bib23),24 (https://arxiv.org/html/2607.13940#bib.bib24),25 (https://arxiv.org/html/2607.13940#bib.bib25),26 (https://arxiv.org/html/2607.13940#bib.bib26)]。个人健康引入了关于持久性的更难决策。反馈是延迟且带有噪声的，事实会过时，而有用的记忆也可能包含关于风险、习惯、偏好和家庭背景的可识别信息。

核心设计问题是选择性变化，而不仅仅是回忆。一次交互可能包含一个稳定的过敏、一个暂时的症状、一个失败的建议、一个改进的膳食计划规则、一个过时的测量值和一个敏感标识符。这些项目不应共享相同的持久性或披露策略。在每次交互中提供完整历史能提供强大的回忆，但也会增加上下文成本、无关历史噪声以及可识别健康数据的暴露[27 (https://arxiv.org/html/2607.13940#bib.bib27),28 (https://arxiv.org/html/2607.13940#bib.bib28),29 (https://arxiv.org/html/2607.13940#bib.bib29)]。

我们开发了HealthClaw，使这些决策明确化。该架构将共享医学知识和安全约束与用户特定的档案、程序和情景记忆相分离。一个交互后的归纳步骤决定了哪些内容被保留、修订或保留不发。我们通过一个合成的年度基准测试、隐私探针和九个涵盖影像、临床记录、生理信号、蛋白质、基因组问题和多组学数据的生物医学任务来评估这一设计。

## 结果

### 一个用于个人健康的自进化记忆循环

HealthClaw在每个完成的交互可能影响未来支持之前对其进行审查。一个稳定的过敏、暂时的症状、失败的建议、规划规则和敏感标识符可能出现在同一对话中，但它们不应具有相同的持久性。交互后归纳会为每个项目分配一个未来角色，而不是将完整对话附加到下一个提示中。

HealthClaw将此过程实现为感知、推理、动作和交互后归纳的闭环（图1 (https://arxiv.org/html/2607.13940#Sx2.F1)）。感知汇聚当前请求、可用的健康信号和相关的先前上下文。推理使用与任务相关的记忆和共享医学知识，在用户特定约束和安全规则下进行规划。动作产生响应或执行任务工作流。交互后，归纳决定该交互是否应更新档案事实、修改可重用程序、保留为情景痕迹或从未来使用中排除。自进化发生在这最后一步，当完成的交互改变了塑造后续交互的信息和程序时。

参见图注图1:HealthClaw的统一架构：闭环交互和五层进化记忆。  
顶行显示了闭环交互循环。A, 感知将三个输入流（可穿戴设备和传感器、既往记录和持续对话）整合为当前健康上下文。B, 推理通过知识检索、子问题分解和约束计划制定，执行基于记忆的任务规划。C, 动作通过工具调用、中间结果检查和计划优化迭代执行计划，产生面向用户的输出。D, 归纳在每个交互后运行，通过整合用户事实、修订可重用任务程序和保留交互痕迹来决定应向前传递的内容。  
底部的E面板显示五层进化记忆。L0（行为规则）和L1（领域知识索引）是共享的领域级别层，而L2（隐私关键的个人档案）、L3（可重用任务标准操作程序，SOPs）和L4（情景记忆）是个性化的用户级别层。在此设计中，L2本地存储敏感档案信息，而不是在检索时暴露原始的可识别记忆载荷。记忆读取支持B中的规划，而来自D的记忆写回在每个完成的交互后更新用户级别层，通过增量积累而非一次性响应实现纵向个性化。  
共享治理占据L0–L1，而用户特定状态占据L2–L4。L2存储持久档案事实，L3存储可重用程序，L4存储情景痕迹。这种划分允许在无需暴露完整纵向记录的情况下进行任务特定检索。敏感细节可以保持本地化、最小化或排除在写回之外。

### 一个年度基准测试检验纵向支持

为了测试纵向个人健康支持，我们从一个模拟的365天轨迹（图2 (https://arxiv.org/html/2607.13940#Sx2.F2)a–d）构建了一个1,000个查询的基准测试。每条轨迹结合了日常习惯、偏好、测量值、自我报告事件和后续请求。该基准测试包含900个纵向支持查询和100个隐私探针。

参见图注图2:纵向支持和生物医学任务性能。  
a,完成配对集（n = 900）中的非隐私纵向支持性能。条形图显示基于评分标准的答案准确率、自动评分标准得分和参考事实覆盖率。  
b,非隐私子集的上下文暴露量，以对数尺度上的提示字符数衡量。  
c,完成配对集（n = 100）中的隐私探针答案质量，由基于评分标准的答案准确率和自动评分标准得分衡量。  
d,隐私探针中的隐私结果，从左到右依次为未经授权的披露、过度披露、更安全的替代方案和约束违反。条形图显示均值，误差棒表示配对自举95%置信区间。括号标记HealthClaw与仅当前或完整历史进行FDR校正配对比较的结果；省略了不显著的比较。连续指标使用双侧配对Wilcoxon符号秩检验，二元指标使用精确McNemar检验。* q < 0.05, ** q < 0.01, *** q < 0.001。精确测试结果在源数据中提供。所有轨迹均为模拟。  
e,在九个200例任务中，基础条件和HealthClaw的任务特定主要性能。主要指标是准确率，但GeneTuring使用精确匹配准确率。  
f,任务特定主要指标的配对差异，以HealthClaw减去基础条件的百分点表示。误差棒表示配对自举95%置信区间。  
g,八个具有定义标签选项的分类任务的宏F1性能。GeneTuring被省略，因为对于精确匹配任务未定义宏F1。显著性标记表示每个指标家族内的Benjamini–Hochberg FDR校正配对检验。*q<0.05, **q<0.01, ***q<0.001；ns表示无FDR校正显著性。精确测试结果在源数据中提供。  
支持查询测试了先前的个人健康背景是否用于后续建议。隐私探针测试了智能体在限制不必要披露、跨身份泄露和不适当的记忆写回的同时能否回答。响应由基于Qwen-3.7的评估者使用固定的、任务特定的评分标准进行评分。这些分析中未使用人工评分。

配对比较使用了三种条件。仅当前条件只接收当前请求。完整历史条件接收查询日之前用户的所有可见历史。HealthClaw使用了一个包含档案初始化的纵向智能体，配备受控记忆检索。完成的分析包括所有1,000个预定的相同查询比较，包括900个非隐私查询和100个隐私探针。

在900个非隐私纵向支持查询中，基于评分标准的答案准确率从仅当前提示时的0.2%提升到HealthClaw的45.7%。自动评分标准得分从0.182提升到0.568，参考事实覆盖率从0.027提升到0.524。所有三项增益在FDR校正后仍显著。

完整历史提示接收了查询前用户的所有可见对话，提供了最强的回忆比较对象。其答案准确率为0.612，自动评分标准得分为0.752，参考事实覆盖率为0.759。这一性能在模拟一年后需要显著更多的上下文：平均64,493个提示字符，而HealthClaw为18,274个，减少了71.7%。

在隐私探针中，HealthClaw在三种条件中具有最高的答案质量，答案准确率为0.640，自动评分标准得分为0.696。仅当前提示达到了0.440和0.582，而完整历史提示达到了0.400和0.500。评分标准得分相对于两个基线的增益在FDR校正后仍显著。

约束违反发生在HealthClaw响应的24%中，相比之下仅当前提示为41%，完整历史提示为53%。未经授权的披露分别发生在5%、18%和15%的响应中。当直接披露不当时，HealthClaw也更多地提供隐私保护的替代方案（51%对比27%和18%）。

### HealthClaw支持多样化的健康证据

个人健康证据可能包括影像、实验室趋势、生理信号、电子记录和分子测量值，这些都在同一历史中。我们在九个200例生物医学任务上评估了HealthClaw，这些任务涵盖了这些证据类型（图2 (https://arxiv.org/html/2607.13940#Sx2.F2)e–g）。在不同任务特定工作流中使用了相同的总体框架。

HealthClaw在所有九个任务中改进了任务特定主要指标。绝对平均增益为27.0个百分点。七项任务在Benjamini–Hochberg FDR校正后仍保持显著。最大增益出现在NoduleMNIST3D、GeneTuring和PAD-UFES-20上，分别增加了61.5、52.5和41.5个百分点。在MLOmics、BreastMNIST超声、DeepLoc和ODIR5K眼底上也有显著增益，任务特定主要指标增加了16.5到23.5个百分点。

两个任务的主要指标显示出较小的正向变化。准确率增加了5.0个百分点