问诊不再照固定问卷走：显式临床状态驱动提问，BERTScore F1从0.68升到0.84
核心概要
远程问诊中的病史采集需要多轮追问并随患者回答调整，MedAgent-RAG把已填槽位、排序鉴别诊断、已问问题和红旗征候维护成显式临床状态，每一问都由该状态决定，最后用父—子检索增强流程把评估落到临床指南上。在MediTOD语料配合语言模型患者模拟器的评测中，同一语言模型的单次生成基线BERTScore F1为0.68，该系统为0.84，代价是平均15.8轮对话。
深度剖析
自动病史采集不再把下一问当成语言生成问题，而是当成依赖问诊当前状态的决策：系统维护一份显式临床状态，逐轮更新，并据此挑选下一个问题。 此前基于语言模型的问诊系统要么走固定问卷，对患者刚说的话不敏感，要么即兴提问，问题重复、偏离目标且不知道已经确认了什么。 在MediTOD语料上以语言模型患者模拟器评测，与同一语言模型的单次生成基线相比，BERTScore F1由0.68升到0.84，ROUGE-L F1由0.20升到0.35，ROUGE-2 F1由0.15升到0.25，ROUGE-1 F1则由0.35降到0.25。
状态由五部分组成：已收集的槽位、排序后的鉴别诊断、已问过的问题原文、检测到的红旗征候，以及当前所处的提问阶段。 提问策略只读取这一状态，因此下一问只通过状态依赖此前的问诊，而不依赖对话的表面措辞。 系统以LangGraph状态图实现，四个提问阶段只向前推进，由回答数量和完整度分数触发转换，红旗征候会直接跳到最终阶段；完整度阈值取0.65，提问硬上限为十二问。
问诊结束后，收集到的状态被确定性地改写成临床摘要，作为检索查询，再由推理智能体给出最终评估。 检索采用父—子分块：文档先切成小块做精确匹配，命中的小块再展开成其父段落交给模型，使检索的精度不以生成时的上下文为代价。 检索同时融合稠密句向量相似度与BM25词法排序；评测中每个节点使用同一骨干模型gpt-oss-120b，句向量使用all-mpnet-base-v2，向量库为Qdrant。
启示与展望
演示范围是MediTOD语料中231段英语分阶段呼吸科问诊，配合以该对话标注为据的语言模型患者模拟器，最终评估与对应转录中医生的收尾评估作比较。
评测只比较一种配置与一种基线，使用自动文本相似度指标，且每个病例只对照一位医生的回答，因此足以说明提问与检索改变了输出，但不足以主张临床质量。语料是单一英语分阶段呼吸科问诊集合，所恢复的模块反映该病例构成；被当作医生解读的鉴别诊断是医生写下的内容，而非经过核实的结果；网络描述的是实践而非正确性。