ClinAgent：基于ReAct的代理，用于通过对话方式访问临床试验信息

# ClinAgent：基于ReAct的临床试验信息对话访问智能代理
来源：https://arxiv.org/html/2609.13860
Riccardo Cantini∗,2 Domenico Talia2 Paolo Trunfio2 Marianna Talia4 Rosamaria Lappano4,5 与 Marcello Maggiolini4 地址：1 意大利比萨大学计算机科学系 2 意大利卡拉布里亚大学计算机工程、建模、电子与系统系 3 意大利国家研究委员会信息科学与技术研究所“Alessandro Faedo” 4 意大利卡拉布里亚大学药学、健康与营养科学系 5 意大利卡坦扎罗“Magna Græcia”大学实验与临床医学系 ORCID代码：AV 0009-0004-0428-540X；RC 0000-0003-3053-6132；DT 0000-0003-1910-9236；PT 0000-0002-5076-6544；MT 0000-0002-3440-5618；RL 0000-0002-9374-9701；MM 0000-0002-7485-854X ∗通讯作者：[email protected]

###### 摘要

智能代理AI、检索增强生成、临床试验、ReAct、医学信息学。摘要。查询临床试验注册库仍然是一个手动且容易出错的过程，研究人员需要在大量半结构化数据中导航，缺乏自然语言交互或多源综合的支持。为解决此问题，我们推出了ClinAgent，一个基于智能代理检索增强生成（RAG）的对话系统，使临床医生和研究人员能够用自然语言查询临床试验信息，并在多轮交互中获得基于依据的、最新的响应。系统以遵循ReAct范式的大语言模型（LLM）代理为核心，该代理迭代地推理查询、从一组集成工具中选择，并根据中间输出优化其操作。这些工具包括ClinicalTrials.gov搜索接口、PubMed模块和一个基于Python的分析器，该分析器在本地缓存的临床试验结构化数据集上运行。我们使用三阶段框架评估系统，评估操作有效性、计划质量、工具使用效率和专家定性判断，并比较了三种LLM后端：Gemini 3.0 Flash和两种DeepSeek V3.2变体（思考与非思考模式）。结果揭示了互补的优势，DeepSeek（思考模式）在计划质量方面表现出色，而Gemini实现了最高的整体性能和最强的专家评级。总体而言，我们的研究结果突显了智能代理AI系统在改善临床试验信息的可访问性和综合能力方面的潜力，支持更高效、更以用户为中心的生物医学研究工作流程。

††脚注文本：文章版本：2026年9月11日 h\currenttimeCET ## 1 引言

临床试验注册库，如ClinicalTrials.gov，索引了超过一百万项涵盖多个治疗领域和研究阶段的注册研究。尽管该资源规模巨大，但查询它在很大程度上仍是一项手动活动，用户依赖基于关键词的搜索通过网页界面或使用通用工具检查批量CSV导出文件[1 (https://arxiv.org/html/2609.13860#bib.bib1), 2 (https://arxiv.org/html/2609.13860#bib.bib2)]。这两种方法都不支持自然语言交互，也不提供任何机制来综合多个记录的信息或将注册库数据置于更广泛的科学文献背景下。

大语言模型（LLMs）改变了此处技术上可行的范围，但它们倾向于产生幻觉——生成看似合理但事实不正确的内容——这在临床环境中是不可接受的。检索增强生成（RAG）通过在查询时从已验证的外部来源检索文档来固定模型响应，从而解决此问题，在无需模型重新训练的情况下大幅减少幻觉。然而，标准RAG管道在单次检索-然后-生成过程中运行，这限制了它们处理需要从多个来源收集信息或从迭代优化中受益的查询的能力。智能代理方法通过显式推理循环来解决这个问题：在ReAct范式[3 (https://arxiv.org/html/2609.13860#bib.bib3)]下，代理在制定推理步骤、调用工具和观察结果之间交替进行，重复该循环直到积累了足够的证据。

基于这些考虑，本文做出两项贡献。首先，我们介绍了ClinAgent，一个构建在智能代理RAG基础上的对话AI系统，使临床医生和研究人员能够用自然语言查询临床试验信息，在单个LLM代理下集成三个专门工具。这些工具包括一个用于检索试验记录的ClinicalTrials.gov搜索模块、一个用于访问和总结相关生物医学文献的PubMed接口，以及一个基于Python的分析组件，该组件在用户交互期间累积的本地缓存、结构化的临床试验数据集上运行。其次，我们提出了一个三阶段评估框架，涵盖(i) 操作有效性、(ii) 计划质量和工具使用效率，以及(iii) 专家定性评估，并将其应用于三种最新LLM后端的比较——Gemini 3.0 Flash和两种DeepSeek V3.2版本，即标准模型和推理增强变体（思考模式）。结果揭示了跨后端的非平凡权衡：DeepSeek在思考模式下在计划质量方面领先，这与其显式推理能力一致，而Gemini 3.0 Flash实现了最高的整体评分和最强的专家评级。这些发现表明，智能代理RAG是临床试验信息检索的一种实际可行的方法，而推理深度与事实可靠性之间的权衡是临床部署中后端选择的关键考虑因素。

## 2 背景与相关工作

生成式语言模型，尽管流畅，但容易出现事实错误，并且无法纳入其训练后获得的知识。检索增强生成（RAG）通过将输出基于动态检索的外部文档来解决这两个问题，从而提高事实准确性，并在无需重新训练的情况下访问最新信息。Yang等人[4 (https://arxiv.org/html/2609.13860#bib.bib4)]系统性地分析了医学AI中的RAG，表明将响应基于精心策划的知识可以减少幻觉并减轻预训练偏差，使RAG非常适合高风险领域。Miao等人[5 (https://arxiv.org/html/2609.13860#bib.bib5)]在肾脏病学中应用了这些原理，证明没有检索的标准LLM幻觉率过高，不适合临床使用，从而确立了领域特定的固定作为操作要求而非理论改进。OpenEvidence[6 (https://arxiv.org/html/2609.13860#bib.bib7)]是一个临床问答系统，通过从PubMed和精心策划的临床指南中检索证据，为医学查询提供有根据的答案。虽然它展示了AI辅助医学QA在高风险环境中的可行性，但它基于通用临床知识而非试验注册库运行，并且不支持结构化的注册库查询、试验记录的程序化分析或跨异构工具和知识来源的智能代理多步推理。

与ClinAgent最密切相关的系统是TrialGPT[7 (https://arxiv.org/html/2609.13860#bib.bib6)]，它使用LLMs通过评估资格标准并将判断聚合为试验级分数来将单个患者与合格的临床试验匹配，实现了专家级的准确性并显著减少了手动匹配时间。虽然TrialGPT和ClinAgent在同一领域运行，但它们解决不同的问题：TrialGPT专注于患者招募，而ClinAgent通过从异构来源综合有根据的响应来支持开放式的自然语言查询。据我们所知，目前没有系统结合智能代理RAG与跨试验注册库和生物医学文献的多源检索，用于对话式临床信息访问，这一能力对于需要及时、有根据地访问试验证据而无需手动注册库导航和检查开销的临床医生和研究人员具有直接的实际相关性。

## 3 提出的系统

ClinAgent是一个基于ReAct范式[3 (https://arxiv.org/html/2609.13860#bib.bib3)]构建的临床试验信息检索智能代理AI对话系统。收到自然语言查询后，LLM代理不会立即尝试回答；而是参与一个迭代的推理-行动-观察循环。在推理步骤中，代理解释查询，将其分解为子目标，并制定检索计划。在行动步骤中，它调用可用的工具之一，将检索或计算委托给适当的外部组件。在观察步骤中，它检查工具的输出，并决定累积的证据是否足以产生响应，或者是否需要进一步的操作。整体架构如图1 (https://arxiv.org/html/2609.13860#S3.F1)所示。

参见标题图1：ClinAgent的高级架构。LLM代理在多轮用户交互中操作一个闭合的推理-行动-观察循环，从三个专门工具中进行选择。系统集成了三个专门工具。临床试验搜索工具封装了一个模块，该模块将自由文本查询转换为对ClinicalTrials.gov REST API的规范请求。LLM首先从查询中提取结构化参数（例如，医疗状况、干预措施、NCT标识符和结果可用性过滤器），这些参数在序列化为定向HTTP请求之前根据Pydantic模式进行验证。检索到的记录在本地缓存为CSV数据集，确保在会话期间获取的数据可用于后续查询，而无需冗余的API调用。Python读取-评估-打印循环（REPL）工具允许代理使用基于Pandas的代码对本地缓存的数据集执行程序化分析，从而能够直接对检索到的试验记录进行过滤、聚合和统计操作。PubMed搜索工具通过LangChain访问NCBI Entrez API，使代理能够检索相关的生物医学文献，并将其答案建立在同行评审证据以及试验数据的基础上。

代理根据查询和观察到的结果动态选择工具，从而具有高度自主性和弹性。如果主要工具失败或返回信息不足，代理会重新规划并尝试替代策略，无需外部干预，确保流畅的用户交互。这种迭代的、自我纠正的方法增强了可靠性，并能够适应复杂、不断演变的查询，使代理非常适合需要精确和基于证据推理的高风险生物医学应用。

该工作流使用LangChain和LangGraph框架实现，后者为智能代理架构所需的循环执行图提供原生支持。对话状态通过MemorySaver组件在连续的请求中持久化，使代理能够通过引用先前的交流来解析后续查询，从而允许与用户进行有效的多轮交互。

## 4 实验评估

我们使用一个三阶段框架评估ClinAgent，旨在评估系统性能的不同方面：操作有效性（第1阶段）、计划质量和工具使用效率（第2阶段），以及临床领域专家的定性评估（第3阶段）。包括三个LLM后端：Gemini 3.0 Flash和两种DeepSeek V3.2变体（思考和非思考模式）。每个模型在标准化查询集上进行评估，该查询集包括试验属性的事实检索、跨研究的比较分析、基于文献的问题以及结合试验数据与PubMed已发表证据的混合查询。所有阶段的完整结果在表1 (https://arxiv.org/html/2609.13860#S4.T1)中报告，并在以下章节中讨论。

表1：所有三个评估阶段结果的摘要。对于每个指标，跨后端的最佳结果以粗体突出显示。标注为“tm”的DeepSeek变体是在思考模式下使用的。### 4.1 第1阶段——操作有效性

第1阶段确定每个候选LLM是否可靠地完成给定的查询集Q。对于每个查询q∈Q，定义了一个二进制成功函数如下：

success(q) = { 1 若代理生成与查询相关的响应; 0 否则 } \text{success}(q)=\begin{cases}1&\text{若代理生成与查询相关的响应}\\ 0&\text{否则}\end{cases} (1)

然后计算目标达成率（GAR）作为成功查询的比例：

GAR = \frac{1}{|Q|} \sum_{q \in Q} \text{success}(q) \text{GAR}=\frac{1}{|Q|}\sum_{q\in Q}\text{success}(q) (2)

Gemini 3.0 Flash实现了1.00的GAR，成功处理了评估集中的所有查询。DeepSeek V3.2也展示了强大的操作可靠性，其性能因模式而异：推理增强（思考）模式达到更高的GAR（0.94），而非思考模式为0.88。观察到的失败主要归因于不完整的工具调用或在积累足够证据之前过早终止推理循环。

### 4.2 第2阶段——计划质量和工具使用效率

第2阶段不仅分析系统是否得出答案，还分析其如何得出答案。我们首先为单个操作a递归定义成功函数以考虑自我纠正：

success(a) = { 1 若 [⊤(a) ∧ ¬冗余(a)] ∨ [⊥(a) ∧ 成功(重新规划(a))] ; 0 否则 } \text{success}(a)=\begin{cases}1&\text{若 \}\bigl[\top(a)\wedge\neg\,\text{冗余}(a)\bigr]\,\vee\,\bigl[\bot(a)\wedge\text{成功}(\text{重新规划}(a))\bigr]\\ 0&\text{否则}\end{cases} (3)

其中⊤(a)表示操作a的调用成功，⊥(a)表示失败，冗余(a)表示a检索到当前上下文中已存在的信息，重新规划(a)是代理在a失败后生成的纠正性操作。在此定义中，失败但随后成功重新规划的操作将获得认可，而不可恢复地失败或重复已检索信息的操作将被惩罚。然后我们定义计划质量（PQ）和工具使用效率（Teff）指标。PQ衡量代理计划中既成功又非冗余的操作比例，通过重新规划来认可自我纠正。Teff衡量首次尝试即成功的工具调用比例，不考虑恢复，因此惩罚那些仅在多次失败调用后才达到正确答案的代理：

PQ = \frac{1}{|Q|} \sum_{q \in Q} \frac{1}{|A_q|} \sum_{a \in A_q} \text{success}(a), \quad Teff = \frac{1}{|Q|} \sum_{q \in Q} \frac{1}{|A_q|} \sum_{a \in A_q} \mathbf{1}[\top(a)] \text{PQ}=\frac{1}{|Q|}\sum_{q\in Q}\frac{1}{|A_{q}|}\sum_{a\in A_{q}}\text{success}(a)\,,\qquad\text{T$\{\}_{\text{eff}}$\}=\frac{1}{|Q|}\sum_{q\in Q}\frac{1}{|A_{q}|}\sum_{a\in A_{q}}\mathbf{1}[\top(a)] (4)

这里，Aq是代理为查询q执行的操作集，而1[⊤(a)]是指示函数，当操作a在首次尝试成功时等于1，否则等于0。最终定义一个复合ReAct质量分数为...