Included Health 构建了名为 Dot 的联邦式多智能体医疗导航系统，该系统基于 LangGraph + Deep Agents 构建，并由 LangSmith 提供临床监督支持。

通过多轮模拟评估，4 个团队在不到两周内完成了 Deep Agents 的迁移，未出现显著性能退化。 ✅ 聊天参与度提升 75% ✅ 高风险识别率达 99% 以上

以下是他们的实践案例：

Included Health 如何基于 LangGraph 和 Deep Agents 构建联邦式医疗智能体

来源：https://www.langchain.com/blog/how-included-health-built-federated-agents-for-healthcare-navigation-with-deep-agents-and-langgraph Included Health (https://includedhealth.com/) 是一个综合性医疗平台，与雇主和健康计划合作，为其员工和成员提供医疗服务导航，涵盖初级医疗、行为健康、紧急护理、专科诊疗等服务。产品体验的核心是通过 Dot——一个基于 Deep Agents 和 LangGraph 构建的联邦式多智能体架构的 AI 医疗导航助手，回答医疗、财务或行政管理类问题。

挑战：医疗导航无法用决策树简单实现

医疗是少数几个“用户询问内容”与“实际需求”可能完全不同的领域。成员询问“我的保险是否覆盖动脉斑块扫描？”时，经过几次追问可能发现他们实际上在管理高胆固醇并有心脏病家族史。合适的回复既要包含具体费用信息，也可能需要识别出机会，鼓励他们与初级保健医生进一步沟通。

过去，医疗系统通过结构化导航树处理这类路由。这种方式虽能让软件处理复杂需求，但只能将其简化为一系列预定义决策。工程经理 Kartik Darapuneni 表示：“对成员来说，这种体验非常僵化，实在称不上友好。”当对话以“我胸痛”开头时，系统的局限性更为突出——系统需要在首轮对话中就识别潜在紧急情况，而非经过七个澄清问题后才反应。

这是数十年来影响软件设计的普遍权衡：为实现规模化，技术通常需要将复杂人类情境标准化为“平均情况”。而在医疗领域，上下文往往决定了答案是“正确”还是“真正有用”，这种权衡的代价尤为高昂。

大语言模型（LLM）结合智能体框架改变了这种可能：它们能处理密集的个人健康记录，推断模糊需求，并在不强制成员遵循预设路径的情况下提出澄清问题。“LLM 一次性解决了所有三个障碍，”Kartik 说。对话不仅变得更自然，软件也不再需要在个性化与规模化之间二选一。Included Health 构建的医疗体验能够适应每位成员的上下文，根据具体情况提供相应紧急程度、指导建议和后续步骤。

智能体架构：基于 Deep Agents 的联邦式超级图

Included Health 的生产架构以他们称为“Dot 超级图”的主 LangGraph 图为中心。其中 Dot 作为主要对话路由器，处理事务性交互（如覆盖范围问题、账单咨询）并导航至正确的医疗节点。一组子工作流处理特定领域的成员旅程，包括紧急护理接诊、预约安排、专科医生查找、行为健康等。

Included Health 内部不同产品团队负责该图的不同部分。仅预约安排就需要考虑成员适用的服务范围、覆盖详情、是主成员还是受保人，以及一系列临床细节。

Included Health 引入 Deep Agents 以确保服务间的一致性。“最初，切换到不同智能体时，语气会突然变得简短生硬，失去了原有语调风格，”资深机器学习工程师 Rohan Bhandari 表示。通过 Deep Agents，团队创建了全局平台提示词来统一语气和风格，无需各团队独立管理。当从一个工作流路由到另一个时，Deep Agent 的文件系统和内置上下文管理允许输出智能体总结对话，并将摘要与完整对话历史的文件路径传递给接收智能体。该设置确保成员在不同团队负责的智能体间切换时无需重复信息。

以共享的覆盖范围查询技能为例：此类查询不一定出现在对话开始阶段。成员可能在查找专科医生过程中中途询问费用问题。在使用 Deep Agents 之前，处理这种情况需要将覆盖范围功能集成到每个子工作流的路由逻辑中。现在，“我们将其分解为平台子智能体，所有 Deep Agents 都可以继承该能力。这意味着每个智能体都能回答覆盖范围问题，”Rohan 说。

LangGraph 实现了一致的组合与分布式开发，使各产品团队能独立构建和维护服务。Deep Agents 添加的共享文件系统则在客户对话跨越这些服务时保持语气和行为的一致性。

技能作为能力注册表

Included Health 通过 Deep Agent 技能为智能体赋予临床能力和服务。每个技能描述服务的功能、适用场景、不适用场景以及边缘情况处理方法（例如当受保人想预约涉及资格限制的服务时应如何处理）。

模型使用渐进式披露机制来引导成员导航。例如，当成员表示想看医生时，可能存在三种以上合适方式（如虚拟紧急护理、虚拟初级诊疗、查找线下医生）。智能体通过虚拟文件系统管理技能注册表，初始阶段获取每个技能的简短描述。调用时，模型决定相关技能并加载完整技能文件，从而了解细节及需提问的问题，以便最佳地引导成员（例如：他们希望线上还是线下就诊？描述的症状适合急性处理还是长期关系管理？）。

Included Health 除自有服务外还支持第三方雇主福利，并致力于将这些福利编码为技能，目前正逐步覆盖每个雇主计划中 20-30 项福利。

“我们有临床团队审核对话，确认他们是否同意智能体根据成员问题推荐的医疗节点，”Rohan 补充道。该反馈循环使 Included Health 能够持续优化技能定义，并将临床路由一致性维持在 95% 的目标水平之上。

将人工介入作为核心设计约束而非边缘案例

Included Health 智能体系统的独特之处在于如何整合人工环节来改善患者体验。“我们将 LangGraph 视为整个消息平台，”Kartik 说。LangGraph 的持久执行能力使智能体能在整个对话过程中保持完整上下文，支持无限暂停和上下文保留。当智能体遇到不确定点时，会暂停图执行，路由至人类医疗顾问进行多轮交流，随后恢复执行——智能体始终掌握人类介入部分的完整上下文。

这种设计反映了医疗关系的长期性特征。成员可能在数天或数周后返回同一对话线程提出后续问题，智能体能从上次中断处继续，包括任何人工协助部分的完整上下文。“从人类视角看，他们是在帮助智能体解除阻塞，而非承担所有工作，”Kartik 说。

该架构还为未来发展预留了空间：在人工处理对话时并行运行智能体线程，使智能体能进行后台研究，并实时向医疗顾问提供建议。

通过 LangSmith 实现可观察性与持续改进

LangSmith 标注队列是 Included Health 运行临床监督的核心。目前每条对话都会进入队列供临床团队审核。评审员评估智能体的导航建议是否正确、紧急防护机制是否触发恰当（或正确未触发），并标记任何需要跟进的内容。这些标签从 LangSmith 导出至 Included Health 数据仓库，数据科学团队在此构建运营指标仪表盘。

使用 LangChain 用户模拟包 (https://docs.langchain.com/langsmith/multi-turn-simulation) 进行的多轮用户模拟评估，成为架构变更的安全网。从标准智能体迁移到 Deep Agents 影响了四个产品团队，所有团队都担心破坏性变更。“我们能够运行完整评估套件，看到性能总体提升，从而有信心向其他团队推广，”Rohan 说。得益于这些评估，迁移在两周内完成，未出现显著退化，也没有团队抵制。

实施结果

Dot 于八月向客户推出，Rohan 形容为“团队近年来最顺畅的一次发布”。早期指标在三个领域均呈现积极趋势：

• 参与度：成员与智能体的互动率大幅提升，聊天参与度提升 75%
• 临床准确性：在审核的对话中，临床医生对 Dot 的护理建议认可度远超 95% 的目标。Included Health 的临床团队通过 LangSmith 标注队列标记对话，判断 Dot 是否将成员引导至正确医疗节点
• 临床安全性：Dot 在定期临床审计中验证识别超过 99% 的高风险情况。高识别率使团队能尽可能快速地主动接触并支持脆弱成员

有兴趣构建基于 Deep Agents 的生产级智能体系统吗？了解更多 (https://www.langchain.com/deep-agents)关于 Deep Agents 的信息。