RadOnc-Agent 将放疗全流程拆为四阶段与 26 个可调用函数，单函数执行意图命中率达 98.79%

框架把放疗纵向流程形式化为四个临床阶段，并以对话界面暴露 26 个可调用函数，使分散在不同临床阶段、软件环境和数据模态中的能力被统一编排。 此前 AI 多用于改进单个放疗任务，能力彼此隔离；该工作把从治疗决策到随访的纵向流程作为编排对象，而非单一任务。 以四阶段形式化与 26 个函数的接口设计为描述性证据，配合后续执行评测。

大语言模型控制器将临床意图映射为受模式约束的调用，保留患者与流程上下文，并把请求路由到专门服务。 将模式约束、身份校验与纵向状态作为架构组件显式纳入，而非仅依赖模型自由生成调用。 消融显示，移除纵向状态使跨阶段完成率从 96.50% 降至 84.00%；在重放/测试评测中禁用模式与身份校验使后端派发不匹配从 0% 升至 95.28%。

系统执行评测覆盖单函数、合成跨阶段与真实患者流程三类设置，报告了较高的执行完成率。 评测同时包含 2,600 条单函数请求（7,800 次重复执行）、200 个预设合成跨阶段场景（600 次执行）与 120 个真实患者流程实例（360 次干净执行），覆盖决策到计划、计划到自适应两类流程。 单函数执行意图命中率 98.79%，脚本化跨阶段流程完成率 96.50%，真实患者流程完成率 96.67%。

作者明确界定结论范围：这些发现确立的是 LLM 编排架构在协调异构放疗能力与信息上的技术可行性。 把可行性验证与临床正确性、临床效用或前瞻性获益区分开，避免将执行成功率等同于临床效果。 原文直接声明这些结果不确立临床正确性、临床效用或前瞻性获益。

该结果面向放疗流程中异构能力与信息的协调场景，适用于从治疗决策到随访的纵向工作流，包括决策到计划与计划到自适应两类流程。对读者而言，其价值在于展示一种可复用的架构范式：把领域流程形式化为阶段、把能力封装为可调用函数、由 LLM 控制器在模式约束下完成意图映射与路由，并以纵向状态维持上下文。这一范式可被借鉴到其他需要跨阶段协调的临床或工程流程设计中，用于构建原型与执行层面的验证。

原文为摘要级信息，未提供各函数的实现细节、模式与身份校验的具体规则、纵向状态的表示方式，也未说明合成场景的构造依据与真实患者流程实例的选取标准。执行成功率与临床正确性之间的关系仍需进一步研究；消融中的重放/测试评测设置与真实部署条件的差异也值得关注。这些属于范围与开放问题，而非对工作的否定。