Included Health 如何利用 LangGraph 和 Deep Agents 构建联邦医疗智能体

📌 One-Sentence Summary Included Health 开发了名为「Dot」的联邦多智能体医疗指南，利用 LangGraph 和 Deep Agents 将僵化的决策树替换为具备上下文感知能力且可扩展的导航系统。 📝 Summary Included Health 已从基于决策树的僵化医疗路由转向名为「Dot supergraph」的联邦多智能体架构。通过利用 LangGraph 进行编排，并使用 Deep Agents 确保一致的语气、语调和共享能力，该平台能够处理复杂的、模糊的医疗和行政咨询。系统采用「技能注册表」来实现临床能力的渐进式披露，并将人机协作（human-in-the-loop）移交作为核心设计约束。借助 LangSmith 进行临床监督以及通过多轮模拟进行安全性评估，Included Health 实现了聊天参与度 75% 的提升，且临床路由准确率超过 95%。 💡 Main Points 从决策树转向智能体推理以实现个性化护理 传统的结构化导航树对于医疗领域过于僵化，因为用户的请求往往与其真实需求不一致。LLM 允许系统对模糊需求进行推理，并在无需强制用户走预定义路径的情况下处理密集的健康记录。 使用「Supergraph」和 Deep Agents 的联邦架构 「Dot supergraph」充当主路由，而特定领域的子工作流则处理专业化路径。Deep Agents 确保了全局一致的语气和语调，并提供用于上下文管理的共享文件系统，防止用户重复描述问题。 通过技能注册表和渐进式披露进行能力管理 智能体使用虚拟文件系统存储技能描述。模型首先从简短描述中识别相关技能，然后加载完整的技能文件以处理细节，这使得系统能够扩展到数十个针对特定雇主的福利方案。 将人机协作作为核心设计约束集成 利用 LangGraph 的持久化执行能力，系统可以暂停智能体的工作流，将其路由至人工倡导者进行多轮交流，随后在拥有人工操作完整上下文的情况下恢复智能体的进程。 通过 LangSmith 进行严格的临床监督和安全性验证 临床团队使用 LangSmith 标注队列来审计路由准确性和紧急护栏，而多轮用户模拟评估则确保架构迁移不会引入回归问题。 💬 Key Quotes 「LLM 一次性解决了所有这三个阻碍……软件不再需要在个性化和规模化之间做出选择。」 「我们将它分解为一个所有 Deep Agents 都可以继承的平台子智能体。这意味着每个智能体都能回答关于覆盖范围的问题。」 「从人的角度来看，他们是在帮助智能体解除阻塞，而不是承担所有工作。」 「使用 LangChain 用户模拟包的多轮用户模拟评估，成为了架构变更的安全网。」 📊 Article Meta AI Screening： 88 Source： LangChain Blog Author： Sofia Sulikowski Category： 人工智能 Language： 英文 Read Time： 6 min Word Count： 1493 Tags： AI 与智能应用 , AI Agent , AI 医疗健康 , Agent编排 , 模型评测与基准 Read Full Article