个人健康智能体学会记住你：HealthJev用86毫秒筛掉错误经验，六项任务平均涨13.3个百分点
核心概要
医疗大模型在单次问答上表现不错，却难以把多次接触中积累的经验留存下来并加以治理。HealthJev把共享的安全规则与医学知识同私有的纵向记忆分开，并用自训练的轻量决策模型JevGate在经验入库前筛掉错误教训，单次判定中位耗时86毫秒。在由20名MIMIC-IV真实患者轨迹构建、每人90天模拟日常交互的纵向基准上，它的平均评审分为0.668，高于MemoryBank的0.634、Mem0的0.593、ReAct的0.510和Memp的0.502；六项生物医学任务相对基线的平均提升为13.3个百分点。
深度剖析
个人健康助手开始把每一次接触当作会影响后续建议的事件，而不是彼此独立的提问。HealthJev把共享的行为安全规则与医学知识放在L0至L1层，把用户专属信息分成L2档案事实、L3可复用流程和L4情景轨迹，每次交互结束后再决定哪些内容写入、修订或不予保留。 此前的医疗大模型与症状分诊系统主要解决单次问诊中的问答、诊断推理与分诊，通用智能体记忆则多在开放域对话和任务上评测，两者都没有处理个人健康数据所需的持久化与披露决策。 在由20名MIMIC-IV真实患者疾病轨迹构建、每人90天模拟日常交互的纵向基准上，HealthJev在全部1800个交互日上的平均评审分为0.668，高于MemoryBank的0.634、Mem0的0.593、ReAct的0.510和Memp的0.502，四组配对比较均显著，最大p约为1.1×10⁻⁴；在20名患者中有15名的日均分高于最强基线MemoryBank。
经验本身可以脱离产生它的模型和任务被复用。用Doubao-Seed-2.0-pro积累的经验库冻结后直接挂载到另外六个语言模型骨干上，六项任务的宏平均指标在全部六个骨干上都有提升。 六项任务覆盖电子病历、生理信号、医学影像、基因组与临床文本，HealthJev在每一项上的主指标都高于基线和全部记忆增强基线，相对基线的平均绝对提升为13.3个百分点。 冻结经验库在DeepSeek-V4.1-Flash、GPT-5.4、GPT-4.1、Gemini-3.8-Flash、Qwen3.5-Plus和Qwen3.8-27B上带来6.8至15.1个百分点的宏平均提升；八个供体到目标任务对的跨任务迁移增益为0.3至29.5个百分点，其中GeneTuring与ICU SOFA经验库迁移到糖尿病再入院任务分别提升29.5和27.5个百分点，两者McNemar精确检验p<0.05。
经验入库前要先过一道轻量审查，这道审查本身被当作设计问题来对待。JevGate建立在Kev-9B决策模型上，用指针头直接给拒绝与接纳两个选项打分，而不是生成一段文字判决。 把大量例行判断交给通用大模型会带来延迟和成本，固定规则又难以处理复杂语义，因此需要一个既便宜又能做语义判断的准入控制器。 在六项任务共600例的平衡留出集上，零样本Kev-9B的合并一致率为0.532，微调后的JevGate升到0.735，合并AUC从0.733升到0.810；六任务评测中的2983次准入判定中位延迟86毫秒、90分位184毫秒，每次判定平均约1000个输入token和22个输出token，81.8%的候选教训被接纳。
启示与展望
已展示的范围是离线评测：纵向交互由基于MIMIC-IV去标识记录构建的模拟用户产生，由自动判分模型GLM-5.2按六维评分标准打分，没有人工评分；六项生物医学任务使用公开或受控公开数据集，测试时经验库冻结且关闭写回。读者对象是关注智能体记忆治理与医疗AI评测的研究人员和工程师。
模拟无法完全复现前瞻性使用中的歧义、缺失和行为反馈；部署层面的隐私仍取决于访问控制、安全测试与数据治理。ICU SOFA任务提升6.0个百分点但未达统计显著（p=0.13），MIMIC-ICD的平均集合F1仅提升1.2个百分点。