DeepTCM1.0:基于通用大语言模型的多专家智能体用于解析中药复方机制
摘要
DeepTCM1.0是一个基于DeepSeek V3.2大语言模型构建的多专家智能体框架,用于解析中药复方的机制,通过Guizhi Decoction进行验证,并通过综合评分系统进行评估。
查看缓存全文
缓存时间: 2026/08/20 10:00
# DeepTCM1.0:基于通用大语言模型的中药复方机制解析多专家AI智能体 来源:https://arxiv.org/abs/2608.18103 查看PDF (https://arxiv.org/pdf/2608.18103) > 摘要:背景:阐释中药复方的作用机制是中药现代化的核心挑战。传统方法,包括数据挖掘与网络药理学,难以实现中医理论与现代科学研究的深度融合。此外,直接使用通用人工智能大语言模型进行问答,因其对中医理论框架适配不足且易产生推理幻觉而存在局限。因此,亟需开发符合中医整体原则的智能分析方法。目标:建立一个整合中医经典理论与现代生命科学的多专家智能体框架,以实现对中药复方系统化、可解释的机制分析,并以桂枝汤作为代表性验证案例。方法:基于通用大语言模型DeepSeek V3.2构建DeepTCM1.0框架。该框架采用三层协作架构与三轮迭代质控工作流,模拟11个跨学科智能体的协作分析过程。框架从中医经典理论与现代科学研究双重视角,应用于桂枝汤的机制阐释。通过双盲五维评分、组内相关系数可靠性检验、Mann-Whitney U检验及效应量分析对框架性能进行全面评估。评估采用四个独立大语言模型作为评分者,对五份匿名化报告各进行五轮重复评分,共获得100次独立评分评估。 ## 投稿历史 来自:Fan Song \[查看邮件 (https://arxiv.org/show-email/0d5c6bd1/2608.18103)\] **\[v1\]** 2026年6月10日 周三 03:05:21 UTC (1,568 KB)
相似文章
MMIR-TCM: 用于中医临床决策支持的记忆增强多模态推理与检索
本文介绍了MMIR-TCM,一种新颖的框架,它整合了多模态大语言模型与记忆增强分割和检索增强生成技术,以支持中医临床决策,同时提供了新的数据集MedTCM和评估指标TDEU。
基于大语言模型的循证智能诊断与治疗可视化系统:多轮交互与多模态治疗方案生成
本文提出了一种知识增强的中医视觉诊断系统,该系统使用Neo4j知识图谱、四阶段症状匹配流程以及信息增益驱动的主动提问策略,以提升透明度和可解释性。结果表明,该显著提高了诊断信任度并降低了认知负荷。
ClinicalMC:面向大语言模型的多疗程临床决策基准
ClinicalMC是一个基准,旨在评估大语言模型在多疗程临床决策中的表现,包含中文和英文数据集以及一个多智能体评估框架。
LingxiDiagBench:一个用于中文精神科咨询与诊断中LLM评估的多智能体基准框架
介绍了LingxiDiagBench,这是一个大规模多智能体基准,用于评估LLM在中文精神科咨询与诊断中的表现。关键发现表明:二分类任务上准确率高(最高达92.3%),但多分类鉴别诊断性能较差(抑郁-焦虑共病识别43.0%,12类鉴别诊断28.5%),揭示了对话质量与诊断准确性之间的脱节。
Mind DeepResearch 技术报告
# 论文页面 - Mind DeepResearch 技术报告 来源:[https://huggingface.co/papers/2604.14518](https://huggingface.co/papers/2604.14518) ## 摘要 MindDR 是一个高效的多智能体深度研究框架,通过协作式三智能体架构与专门设计的四阶段训练流程,在多个基准测试中取得优异成绩。我们提出 Mind DeepResearch(MindDR),一个高效的[多智能体深度研究框架](https://hug