多智能体+中医大模型：30%诊断准确度提升，破解中医诊断不全面与辨证不精准难题

1）隐性方法A：多Agent间的“反馈回路”在子解法1 的“MDCCTM”里，每个Agent生成问题后，如何合并、取舍，作者只用“Evaluation Agent评分”简单描述，但实际上可能有多轮反馈（某些问题被删改后，Agent再次讨论）。这是一个隐性关键步骤：不是书本明确写的“算法”，但决定了问诊问题集的优劣。2）隐性方法B：方剂加减思路在子解法3 的“细粒度匹配”中，论文一般提到Embedd

Debroon

1550人浏览 · 2025-02-23 14:20:30

Debroon · 2025-02-23 14:20:30 发布

多智能体+中医大模型：30%诊断准确度提升，破解中医诊断不全面与辨证不精准难题

论文大纲
1. Why——解决的现实问题
2. What——核心发现或论点
3. How——研究路径与方法
3.1 前人研究的局限性
3.2 你的创新方法/视角
3.3 关键数据支持
3.4 可能的反驳及应对

4. How Good——理论贡献与实践意义
数据分析
第一步：收集所需数据
第二步：处理与挖掘数据，寻找规律
第三步：探索数据维度间的相关性
第四步：建立数学模型（或算法/机制）

解法拆解
子解法1：多Agent动态协作思维链（MDCCTM）
子解法2：中医辨证Agent
子解法3：双阶段检索方案（DSRS）

三、分析是否有隐性方法（在解法中未被书本显式定义但实际存在的关键步骤）
全流程
提问

论文：JingFang: A Traditional Chinese Medicine Large Language Model of Expert-Level Medical Diagnosis and Syndrome Differentiation-Based Treatment

论文大纲

├── 1 引言【研究背景与动机】  
│      ├── 传统中医在健康保护与疾病治疗中的重要性【背景】  
│      ├── 大语言模型（LLMs）的跨领域应用潜力【技术趋势】  
│      └── 当前中医LLMs的关键局限【问题提出】  
│              ├── 诊断与辨证所需的大规模多轮对话数据不足【挑战1】  
│              ├── 无法进行准确且系统的中医辨证推理【挑战2】  
│              └── 治疗方案缺乏精准的辨证论治支撑【挑战3】  

├── 2 JingFang模型框架【总体设计】  
│      ├── 目标：构建具备专家级诊断与辨证论治能力的中医LLM【核心目标】  
│      ├── 多Agent动态协作思维链（MDCCTM）【核心机制】  
│      │      ├── 多位中医专家Agent与中医总论Agent协作【协作模式】  
│      │      ├── 迭代式诊断推理与问题优化【诊断流程】  
│      │      └── 基于多重反馈的决策修正【动态调整】  
│      ├── 中医辨证Agent【辨证环节】  
│      │      ├── 数据预处理：基于“十问歌”结构化信息【数据清洗】  
│      │      └── 诊断模型：对患者信息进行证型分类【辨证模型】  
│      └── 双阶段检索方案（DSRS）【治疗环节】  
│              ├── 阶段一：根据辨证结果检索候选方剂【粗粒度检索】  
│              └── 阶段二：结合患者个体化信息精细筛选处方【细粒度检索】  

├── 3 方法与实现【技术细节】  
│      ├── 多Agent动态协作思维链机制【MDCCTM】  
│      │      ├── TCM专家团队构建：含专科Agent与中医总论Agent【步骤1】  
│      │      ├── 咨询思维链构建与综合评估【步骤2】  
│      │      └── 多轮问诊与信息收集算法【步骤3】  
│      ├── 中医辨证Agent模型训练【过程】  
│      │      ├── 高质量TCM辨证数据集的清洗与标注【数据准备】  
│      │      └── 微调及轻量化方法（如LoRA等）【模型训练】  
│      └── TCM治疗Agent与双阶段检索【过程】  
│              ├── 基于证型的第一轮筛选【粗筛】  
│              └── Embedding相似度与多信息融合【精筛与个性化处方】  

├── 4 实验与结果【评估验证】  
│      ├── 辨证准确度评测【实验1】  
│      │      ├── 数据规模与不平衡处理【实验设置】  
│      │      └── 与多个基线模型对比：F1、Precision、Recall指标【结果对比】  
│      ├── 多轮问诊评测【实验2】  
│      │      ├── 评价维度：主动性、准确性、实用性、整体效果【评分标准】  
│      │      └── 专家打分结果：JingFang在多轮问诊中表现最优【结论】  
│      ├── 消融实验【实验3】  
│      │      ├── 去除中医总论Agent后问诊覆盖度下降【发现1】  
│      │      └── 不同基础模型在辨证数据上的适配性对比【发现2】  
│      └── 实验结论与误差分析【讨论】  
│              ├── JingFang在诊断和辨证上具有显著优势【优点】  
│              └── 仍需解决患者个体差异的极端情况【局限性】  

├── 5 结论与展望【总结】  
       ├── 研究价值：促进LLMs在中医健康与疾病防治中的实际应用【价值】  
       ├── 局限与改进：需更多真实临床数据和多模态信息【未来挑战】  
       └── 进一步工作：探索多模态中医LLM和更高级的多Agent协同【发展方向】

核心方法：

├── 核心方法【Method Overview】  
│      ├── [输入]：患者主诉与症状信息 + 预训练大模型参数 + 中医知识库  
│      │      └── 说明：患者主诉包括病史、当前症状、既往诊疗记录等；预训练大模型参数提供语言理解与生成基础；中医知识库包含典籍、方剂库、症状-证型对照表等  
│      ├── [处理]：通过多Agent动态协作思维链（MDCCTM）+ 中医辨证Agent + TCM治疗Agent  
│      │      └── 说明：整体处理过程主要分为诊断(多轮问诊与辨证)和治疗方案推荐  
│      └── [输出]：诊断结果 + 证型判定 + 个性化治疗方案  

├── 多Agent动态协作思维链（MDCCTM）【处理过程1】  
│      ├── TCM专家团队构建【步骤1】  
│      │      ├── [输入]：患者主诉、基础中医知识（内科/外科/妇科/儿科等）  
│      │      ├── [处理]：由Manager Agent根据患者的初步信息，调用对应TCM专科Agent + 中医总论Agent  
│      │      └── [输出]：多位具备不同专科知识的Agent集合  
│      │          └── 技术与方法：  
│                 - 利用LLM的Agent化技术，针对不同科室设定专科Prompt与知识域  
│                 - 确保每个专科Agent能够在接收患者信息后生成有针对性的咨询思路  
│  
│      ├── 咨询思维链（CoT）构建【步骤2】  
│      │      ├── [输入]：各专科Agent的初步问题清单、患者当前回答  
│      │      ├── [处理]：每个Agent基于其专业领域，设计1~2条后续问题及推理链，并动态汇总到一条总的“咨询思维链”  
│      │      └── [输出]：综合性的多轮问诊提纲（CoT），覆盖可能涉及的症状、生活习惯、病史等  
│      │          └── 技术与方法：  
│                 - Prompt工程：为不同专科Agent注入预先设计的Prompt，使其能产出各自问题链  
│                 - Chain-of-Thought：在Agent内部显式生成推理过程，便于后续融合和优化  
│  
│      ├── 咨询思维链整合与评估【步骤3】  
│      │      ├── [输入]：各专科Agent输出的CoT问题集合  
│      │      ├── [处理]：Evaluation Agent对所有问题进行综合打分（覆盖度+针对性），并输出高分问题列表  
│      │      └── [输出]：优化后的咨询问题清单  
│      │          └── 技术与方法：  
│                 - 相似度度量：基于Embedding计算问题与“十问歌”或关键病症点的重合度  
│                 - 综合评估算法：兼顾不同专科Agent提出问题的必要性与重复度，形成最优的问题集  
│  
│      ├── 咨询思维链分析与优化【步骤4】  
│      │      ├── [输入]：当前的CoT问题清单 + 专科Agent的反馈  
│      │      ├── [处理]：若专家Agent仍不满足问题覆盖度或认为问题可进一步精简，则提出修改意见并再次合并  
│      │      └── [输出]：正式多轮问诊前的最终问题清单  
│      │          └── 技术与方法：  
│                 - 多Agent反馈回路：专科Agent可以提出修改建议，触发再一次的CoT合并  
│                 - 迭代式收敛：最多迭代若干次，确保所有Agent达成一致意见  
│  
│      └── 多轮问诊【步骤5】  
│             ├── [输入]：正式多轮问诊问题清单 + 患者交互回答  
│             ├── [处理]：按照问题清单逐条询问并记录患者信息，调用Medical Record Agent整合关键信息  
│             └── [输出]：最终完整的患者信息记录（Rec）  
│                 └── 技术与方法：  
│                    - 自定义对话Agent：逐轮与患者对话，保证信息采集的广度与深度  
│                    - 信息收集算法：判断关键症状是否收集完毕，若是则终止问诊，若否则继续询问  

├── 中医辨证Agent【处理过程2】  
│      ├── [输入]：多轮问诊后生成的完整患者信息记录（Rec）  
│      ├── [处理]：综合患者症状、舌脉特征、既往病史等，通过中医辨证模型进行证型分类  
│      └── [输出]：准确的证型判定（如“风寒束肺证”“阳虚水泛证”等）  
│          └── 技术与方法：  
│             - 数据预处理：根据“十问歌”将原始病历格式化，确保模型能准确聚焦关键症状  
│             - LLM微调与分类：在大量标注的辨证数据上进行LoRA等轻量化训练，输出患者对应证型  

└── TCM治疗Agent【处理过程3】  
       ├── [输入]：辨证结果 + 患者个体信息（Rec） + 中医方剂库  
       ├── [处理]：双阶段检索方案（DSRS）  
       │      ├── 阶段一（粗粒度检索）：根据证型标签快速筛选候选方剂或治疗方案  
       │      └── 阶段二（细粒度匹配）：通过Embedding相似度结合患者个体症状、体质等信息进行精细排序，选出TOP-N方剂  
       └── [输出]：个性化治疗方案（包含方剂、生活调护、情志调理等综合建议）  
              └── 技术与方法：  
                 - RAG（Retrieval-Augmented Generation）：检索与生成相结合  
                 - Embedding匹配：同患者病情特征进行向量化比较  
                 - 个性化推荐：结合患者体质、年龄、合并症等因素，对方剂做增补或删减

1. Why——解决的现实问题

中医诊断和治疗需要依赖大量的专业知识和经验
传统中医在诊断和治疗过程中强调辨证论治，需要医生反复询问患者症状、病史，并结合舌脉、体质、环境等因素分析。但在实践中，一方面缺乏结构化、系统化的多轮问诊数据，另一方面中医知识也难以在通用大模型中得到充分呈现。
现有大模型在中医场景的应用面临挑战
通用LLMs可能无法精准获取中医特征信息，也无法对复杂的中医症候进行有效推理，导致诊断不全面、辨证不准确、治疗建议缺乏个性化与权威性。

2. What——核心发现或论点

观察到的关键变量：对话流程可否系统化、辨证过程可否结构化

作者所见：
- 若只让模型回答单轮问题，无足够信息则难以判断证型；
- 若缺乏对患者信息的结构化整合，则无法精准映射到相应的方剂或养护方案。
变量的作用：
- 如果“问诊多轮化程度”上有重大改变（由简单问答变为系统化Chain-of-Thought），就有可能显著提升诊断质量；
- 如果“辨证知识库与方剂库”能被模型有效利用，也可能改变生成结果的专业度和准确度。

在此基础上，作者提出了若干核心假设：

多Agent动态协作可以有效捕捉多维度患者信息
- 这是对“缺少系统化、多轮化问诊流程”问题的回应：如果把中医诊断拆分给不同专科Agent与一个总论Agent，反复迭代，就能更全面地获取症状、病情细节。
中医辨证Agent能够在充分数据与规则引导下准确输出证型
- 这是对“辨证不准确”问题的应对：如果用经过“十问歌”结构化数据训练的模型来做证型分类，则可以弥补通用LLM对中医复杂机理了解不足的缺陷。
**双阶段检索（DSRS）**能实现个性化、精准的中医治疗方案
- 这是对“治疗缺乏个性化”问题的解决：先根据证型做粗粒度筛选，再结合患者具体症状做细粒度匹配，就能获取更契合个体需求的处方与护理建议。

核心论点：
通过多Agent协作思维链（MDCCTM）、专门的中医辨证Agent以及双阶段检索方案（DSRS），可以显著提升LLM在中医诊断与辨证论治中的准确度和实用性，最终形成一个专业性更高的中医大模型体系（JingFang）。
主要发现：
1. 在多轮问诊场景下能有效收集关键症状和体征信息；
2. 利用辨证Agent进行证型分类，准确率相较传统模型有显著提升；
3. 个性化的双阶段检索机制，能提出更符合患者体质和病情的治疗方案。

在这里插入图片描述

数据1：多轮问诊轮数（如平均从4.94轮提升至9.09轮）
- 推理：多Agent覆盖更细致的问题维度→得到更全面症状信息
- 结论：满足了“多轮对话全面性”的假设
数据2：辨证准确度（如Precision从0.43提高至0.80+）
- 推理：辨证Agent结合了中医结构化语料→具有更强分类能力
- 结论：强化了“中医辨证Agent”假设的有效性
数据3：处方匹配度与满意度评分
- 推理：双阶段检索提升了针对患者个体特征的匹配效果
- 结论：支持了“DSRS个性化推荐”假设，有助于实现诊疗落地

3. How——研究路径与方法

3.1 前人研究的局限性

多轮对话数据稀缺：已有中医LLMs缺乏大规模、多维度的真实问诊数据，导致模型在精细化诊断上力不从心。
辨证过程缺乏透明性和可控性：大模型多直接生成诊断结论，难以对症状进行针对性推理，缺乏解释性。
治疗方案推荐粗糙：缺少针对中医方剂与患者个体差异的匹配机制，治疗建议难以个性化落地。

3.2 你的创新方法/视角

多Agent动态协作思维链（MDCCTM）
- 设置多个具备不同专科知识的中医Agent与中医总论Agent，模拟临床会诊模式。
- 通过反复交流和反馈，动态优化问诊思路并确保关键症状不被遗漏。
中医辨证Agent
- 在“十问歌”结构化数据上进行高质量训练，针对患者多轮对话的综合信息给出证型分类。
- 兼顾中医理论与临床大数据，让辨证过程更准确并具备可解释性。
双阶段检索方案（DSRS）
- 第一阶段：根据证型标签筛选出候选方剂或治疗方案。
- 第二阶段：通过Embedding相似度与患者个体信息进行精细匹配，输出最适合患者的个性化方案。

归纳总结：
1. 它解决了多轮对话信息收集的难题：通过多专家Agent布局，避免漏问关键症状；
2. 它增强了辨证准确性：融合大量中医典籍与临床资料，让证型分类更有依据；
3. 它实现了个性化处方：借助双阶段检索方案，动态匹配患者情况与方剂。

3.3 关键数据支持

多轮问诊数据：提取自真实中医临床案例，包含数万条结构化或半结构化文本，覆盖主诉、病史、症状、舌脉等信息。
辨证数据集：使用“十问歌”思路清洗后的大规模病例记录，包含不同证型标签，训练辨证Agent；模型在测试集中F1、Precision、Recall指标相对于基线模型均有提升。
方剂及知识库：内置数百到上千条经典方剂、现代中医文献数据，以便进行检索与匹配。

3.4 可能的反驳及应对

反驳：模型过于依赖中医数据库，缺乏对新发疾病或特殊病例的适应
- 应对：加入自适应学习机制及在线更新能力，使模型可持续学习新症状与新证型；同时保留人工医生对特殊情况的辅助判断。
反驳：实际诊疗过程中，患者回答或体征数据可能不完整、不准确
- 应对：通过多Agent问诊提高信息采集的广度和深度；在关键症状缺失时给出进一步检查或提示；与医师共同协作以确保诊断安全。

4. How Good——理论贡献与实践意义

理论贡献
- 提出“多Agent动态协作思维链”与“中医辨证Agent”结合，为复杂专科领域的大模型应用提供了一种新的范式与思路；
- 探索了如何在医学LLM中平衡“高维度专业知识”和“多轮交互”，加深对大模型可解释性与可控性的研究。
实践意义
- 临床价值：有助于中医从业者提升诊断效率与辨证准确度，减少漏诊误诊；对患者而言，提供了更个性化且权威的治疗方案建议；
- 通用价值：可扩展到其他专家系统场景，如多学科会诊、复杂决策支持等。

数据分析

第一步：收集所需数据

目标： 获取并整合与中医诊断及辨证论治相关的多维度数据，为模型提供训练和验证的基础。

数据来源与规模：
1. 中医问诊数据：
  - 论文中提到，经过严格的质量筛选后，保留了超过 4 万余条（约 43,000 条）的高质量中医诊断数据，用于模型的辨证训练。
  - 这些数据包含主诉、舌脉、生活习惯、体质、既往病史等详细信息。
2. 多轮对话与咨询数据：
  - 为了模拟真实中医问诊场景，作者使用了大量多轮对话式样本，涵盖上万条问答交互，使得模型能学习“多轮问诊”中的关键提问思路和对话逻辑。
3. 方剂库与知识库：
  - 内置了数百至上千条的经典中医方剂、经方，以及中医理论典籍中的证型、症状-病因映射关系。
4. 测试数据：
  - 用于最终评估的测试集则包含不同症状、证型共计 8,699 条患者案例，以衡量辨证分类与方案推荐的效果。
数据准确性与全面性：
- 数据经过人工审核和自动清洗，去除噪音与无效字段，如与诊断无关的仪器检查记录、缺失严重的病例等。
- 通过遵循“十问歌”框架提取患者的关键症状与信息，保证了数据在中医特征方面的完整性与准确性。

结论：
作者在数据收集中体现了对多维度信息（舌脉、症状、方剂、对话内容等）的重视，并通过大规模、结构化的数据源为后续的模型训练和评估奠定了坚实基础。

第二步：处理与挖掘数据，寻找规律

目标： 通过对数据进行清洗、标注和分析，发掘潜在的模式和规律，帮助模型更好地理解“中医辨证”逻辑。

数据清洗：
- 作者基于“十问歌”对 6 万余条原始诊断数据进行分门别类和降噪，最终筛选得到约 4.3 万条相对高质量且聚焦中医辨证核心症状的记录。
- 过程包括去除与中医主诉无直接关系的信息，如与西医设备检查、重复记录、缺少关键症状等数据。
数据整理与标注：
- 将患者信息按症状、舌脉、体质等要素结构化，便于后续模型进行多维度分析和推理。
- 对每条病例注明“证型”标签（如风寒束肺、脾肾阳虚等），并在方剂库中建立对应映射。
数据分析：
- 作者使用统计分析、可视化手段，查看不同证型的频数分布以及症状组合出现的模式，发现某些高频症状（如咳嗽伴痰、畏寒、食欲减退等）更容易聚合出特定证型。
- 这一步有助于在后续模型训练中让“辨证Agent”学习到有代表性的症状-证型映射规律。

结论：
在处理与挖掘数据的过程中，论文作者为模型提供了准确且有效的训练素材，也为后续多Agent协作与辨证逻辑的建立提供了关键支撑。

第三步：探索数据维度间的相关性

目标： 分析不同维度（症状、证型、方剂、对话轮次等）之间的关系，推断模型在未知情境下的表现。

多轮对话与患者症状的关系
- 作者观察到，增加问诊轮数可显著提升诊断准确度：对比实验显示，平均问诊轮数从约 5 轮提升至 9 轮后，模型对关键症状的覆盖率和辨证准确率均有显著提高。
- 这说明对话维度和症状信息之间存在正相关：多轮、系统化的咨询能够更全面捕捉症状。
证型与用药方案的关系
- 根据方剂库与辨证结果做交叉分析，作者发现部分方剂与特定证型关联度极高，如风寒束肺证常选用散寒止咳类方剂；而脾肾阳虚证则更倾向温补脾肾。
- 这为“双阶段检索方案（DSRS）”提供了数据支撑：先定位证型，再结合患者个体差异做精细匹配，就能获得更高满意度。
未知数据的推断
- 类似于天文学通过观测恒星亮度变化推断行星存在的思路，作者在“中医诊断”场景中，则通过对患者有限的已知症状观测，动态拓展新的问诊方向，进一步确认或排除其它症状或证型。
- 多Agent问诊本质上就是对未知症状或未明确的病史做推断与确认，直到收敛于某个证型。

结论：
通过多维度数据间的相关性分析，作者识别出若干对中医诊断起决定性作用的变量和征兆，以此设计更具针对性的问诊与检索机制。

第四步：建立数学模型（或算法/机制）

目标： 借助已挖掘的规律，构建能够解释和预测诊断过程的模型或算法框架。

多Agent动态协作思维链（MDCCTM）
- 模型思路：将“多轮对话”系统化为一种可显式推理的链条；通过多个专科Agent与中医总论Agent的交互，保证问诊的系统性与动态调整。
- 推理机制：在每轮对话后，Agent基于已有信息作出诊断推断并提出下一轮需询问的关键问题。
中医辨证Agent
- 模型基础：基于大量（约 4.3 万）结构化病例数据进行微调，将“症状-证型”映射内化为分类任务。
- 验证结果：在测试集（8,699 条病例）上达到高 Precision、Recall、F1 的辨证准确率，超过常规LLM或传统方法。
双阶段检索方案（DSRS）
- 第一阶段：根据证型做粗检索，锁定一批可能适合的方剂。
- 第二阶段：使用Embedding相似度结合患者特征做精筛，输出最匹配的个性化方案。
- 模型的预测与解释：通过双阶段检索，可以快速定位特定方剂，并解释为何该方剂适合该证型或该患者。

结论：
这些机制（MDCCTM、辨证Agent、DSRS）就像是论文中的数学模型或算法框架，分别解决了“多轮问诊”“辨证分类”和“方剂个性化推荐”三大问题，并且有大量实验数据对其有效性进行背书。

解法拆解

一、按照逻辑关系拆解整个解法

「JingFang」的整体解法可以表达为：

$\text{解法} = \text{子解法}_1(\text{多Agent动态协作思维链，MDCCTM}) + \text{子解法}_2(\text{中医辨证Agent}) + \text{子解法}_3(\text{双阶段检索方案，DSRS})$

之所以采用这三个子解法，是因为在中医诊断场景下，存在以下三个关键特征：

特征A：多轮问诊复杂且需多维度信息
→ 需要子解法1 来覆盖“多Agent动态问诊”的需求。
特征B：中医辨证过程需要系统化分类
→ 需要子解法2 来针对“辨证”这一核心难题做分类推理。
特征C：个性化处方匹配难度大
→ 需要子解法3 做“方剂检索与患者特征匹配”。

下面逐一拆解各子解法，并在每个子解法中阐述为什么采用它，以及具体的拆解细节（若可进一步拆分则继续拆分至不可再拆为止）。

子解法1：多Agent动态协作思维链（MDCCTM）

对应特征： 多轮问诊复杂，需要多方位信息采集与动态反馈。

之所以用MDCCTM子解法，是因为特征A：中医问诊往往跨多个领域(内科、妇科、儿科等)，一个通用LLM易漏问或重复问，故设计多位专科Agent + 中医总论Agent协作。

进一步拆解 子解法1：

子解法1.1：专家团队构建
- 通过 Manager Agent 根据患者的初步信息，选取若干专科Agent（内科、妇科、儿科等）和一个中医总论Agent。
- 之所以用“专家团队构建”，是因为在多轮问诊之前，需要先知道要调用哪些专科知识，以覆盖不同症状可能涉及的病种范围。
子解法1.2：咨询思维链（CoT）构建
- 多个Agent各自提出对患者的后续问题及推理链，然后统一整合为一条有序的多轮问诊思路。
- 之所以用“咨询思维链”，是因为需要确保每轮问诊问题能够逐步挖掘患者的症状、舌脉、病史等，不遗漏关键信息。
子解法1.3：动态整合与评估
- 由一个Evaluation Agent对所有问题进行打分（覆盖度与针对性），淘汰或合并冗余问题。
- 之所以用“动态整合与评估”，是因为多Agent提问可能存在重复、冲突，需整合后再开始正式问诊。
子解法1.4：多轮问诊与信息收集
- 按经优化的问诊思路，与患者交互，直到获取所有必要信息（如舌脉变化、既往病史等）。
- 之所以用“多轮问诊与信息收集”，是因为需要实际同患者对话，才能把理论上的问题链变成真实的数据记录。

若再细化，则可能在“动态整合与评估”中分出“反馈回路”等，但已基本到不可再更细的地步时就可停止拆解。

子解法2：中医辨证Agent

对应特征： 中医辨证需要根据症状组合、舌脉、体质等做分类推理。

之所以用中医辨证Agent子解法，是因为特征B：无法仅靠通用LLM直接给出可靠的证型分类，需要一个专门微调、懂“十问歌”、懂中医证型映射的Agent。

进一步拆解 子解法2：

子解法2.1：数据预处理与标注
- 将原始病例数据（含数万条病例、症状、舌脉等）用“十问歌”思路结构化，并标注证型标签（如风寒、湿热、阳虚等）。
- 之所以用“数据预处理与标注”，是因为模型需要清晰的输入/输出对，让辨证Agent能学到正确的症状-证型关联。
子解法2.2：微调与推理
- 基于LLM，结合LoRA等轻量化方式在标注数据上训练一个分类器，输入患者的综合信息，输出证型标签。
- 之所以用“微调与推理”，是因为通用LLM缺乏专门的中医辨证知识，必须在目标领域数据上继续训练才能达成较高准确率。

若再进一步拆分，可讨论每个损失函数或训练参数，但大致到此即可。

子解法3：双阶段检索方案（DSRS）

对应特征： 个性化处方需要先粗筛，再结合患者特点做精筛。

之所以用DSRS子解法，是因为特征C：中医方剂繁多，单纯匹配关键词或仅凭证型易造成偏差，需分两阶段更精准。

进一步拆解 子解法3：

子解法3.1：粗粒度检索
- 先用证型标签快速筛选候选方剂，比如证型=“风寒束肺证”，则选出与“风寒咳嗽”相关的方剂集合。
- 之所以用“粗粒度检索”，是因为证型能迅速缩小备选范围，大大减少搜索空间。
子解法3.2：细粒度匹配
- 使用Embedding计算患者具体症状与方剂说明书之间的相似度，或结合患者年龄、体质等要素综合排名，选出最匹配的方剂。
- 之所以用“细粒度匹配”，是因为同一证型下，个体差异仍然很大，需要更精细的方法判断给谁用哪种加减方。

二、子解法之间的逻辑链：决策树形式

可以用“决策树”简要展示如下（从顶层“解法”到子解法，再到具体步骤）：

解法: JingFang整体思路
├── 子解法1: 多Agent动态协作思维链(MDCCTM)【应对特征A】
│      ├── 子解法1.1: 专家团队构建
│      ├── 子解法1.2: 咨询思维链(CoT)构建
│      ├── 子解法1.3: 动态整合与评估
│      └── 子解法1.4: 多轮问诊与信息收集
├── 子解法2: 中医辨证Agent【应对特征B】
│      ├── 子解法2.1: 数据预处理与标注
│      └── 子解法2.2: 微调与推理
└── 子解法3: 双阶段检索方案(DSRS)【应对特征C】
       ├── 子解法3.1: 粗粒度检索
       └── 子解法3.2: 细粒度匹配

三、分析是否有隐性方法（在解法中未被书本显式定义但实际存在的关键步骤）

1）隐性方法A：多Agent间的“反馈回路”

在子解法1 的“MDCCTM”里，每个Agent生成问题后，如何合并、取舍，作者只用“Evaluation Agent评分”简单描述，但实际上可能有多轮反馈（某些问题被删改后，Agent再次讨论）。
这是一个隐性关键步骤：不是书本明确写的“算法”，但决定了问诊问题集的优劣。

2）隐性方法B：方剂加减思路

在子解法3 的“细粒度匹配”中，论文一般提到Embedding对比，但真实临床常需要对基础方剂进行“加减”来调整药物配伍。
这是隐性关键步骤：并非直接选出方剂就完事，还需考虑如何加减药材，这往往在文本中只短暂提及“个性化方案”，并没给出显式算法，可能是依赖经验或附加规则。

若我们发现这些隐性方法对最终结果起到决定性作用，可将之定义为“关键方法”来显式呈现。

示例：

关键方法：多轮反馈优化
- 特征：Agent间迭代讨论是一个连续、模糊的过程，需要对合并/删减问题的标准进行二次、三次迭代。
- 若无该关键方法，可能直接导致漏问或重复提问。

四、分析是否有隐性特征

隐性特征A：问诊问题互斥或关联
- 某些症状问题若得到肯定答案，就能排除或确认另外一个症状；这种“逻辑互斥/关联”属性并非论文中显式定义，却在多轮问诊的“动态整合”步骤中被体现。
隐性特征B：方剂库内部的加减规则
- 不同医家有差异性，对某些经方可能有自带加减思路，这种微妙差异是隐性特征，因为它并不在“粗检索、细检索”里明确说到，而是融合在专家经验里。

如果将这些隐性特征显式化，也能促使后续的方法更完备，比如可以把“互斥/关联症状”或“加减规则”写进一个知识库或规则库中，形成新的关键方法。

五、方法可能存在哪些潜在的局限性

医疗安全与合规性：
- 虽然方法可行，但在真实临床中，任何智能诊断都要接受专业医师的复核，否则面临医疗责任与安全风险。
对训练数据的依赖：
- 中医数据仍存在不平衡、地域差异等问题，若模型所见数据不足或片面，可能造成诊断偏差。
对隐性知识的掌握不足：
- 部分中医经验未能系统化、数字化，模型无法显式学习（如方剂加减背后的医家流派差异），导致个案处理时不够灵活。
多Agent协作复杂度：
- Agent之间的通信、反馈回路越多，计算与管理负担越大；且若无法有效控制协作流程，易产生大量冗余对话或死循环。

以一个“感冒咳嗽”的病例为例，展示子解法流程：

子解法1：多Agent动态协作——内科Agent提问咳嗽时间、痰色、寒热情况；妇科Agent（若不相关则少问）等；最终合并问题清单，收集患者信息。
子解法2：中医辨证Agent读取问诊结果，判断为“风寒束肺证”。
子解法3：DSRS先粗粒度检索到“散寒止咳”类基础方剂，再细粒度匹配患者体质、是否伴随痰中带血等，推荐一个加味三拗汤的方案。

在这过程中，隐性方法即多Agent间的迭代讨论、对于方剂如何加减的思路等，并未在论文中用显式公式，但确实存在并影响结果。

全流程

整体结构
- 图中将“JingFang”的功能分为三个主要模块：
  1. TCM Collaborative Consultation CoT（左侧粉蓝区）
  2. TCM Syndrome Differentiation（右侧蓝区）
  3. TCM Treatment Recommendation（右侧绿色区）
- 这些模块间相互衔接：患者信息（Medical Record）先经过多轮协作式问诊，获取完整症状与病情描述，再经由辨证Agent进行证型诊断，最后通过检索与模型生成来推荐个性化的中医治疗方案。
TCM Collaborative Consultation CoT（左侧部分）
- TCM Expert Team Construction：根据患者主诉信息，自动选择中医内科、外科、妇科等不同专科Agent，以及一个中医总论Agent，共同组成“专家团队”。
- Consultation Construction / Integration / Analysis：
  - 先由各专科Agent提出初步问题和推理依据；
  - 经由“Summary Agent”评估与整合，去除多余或重复问题；
  - 若需优化则再次迭代，直到完成正式多轮问诊。
- Multi-round Consultation：医生或系统与患者多轮对话，收集全部关键信息后再进入下一阶段。
TCM Syndrome Differentiation（右侧上方蓝区）
- 将前面问诊得到的“Medical Record”同“原始中医诊断大数据”相结合，通过特定中医知识规则和LLM对接，训练或微调出能辨证分型的“TCM Syndrome Differentiation Expert Agent”。
- 该Agent输入患者症状，输出具体证型（如风寒束肺、脾肾阳虚等）。
TCM Treatment Recommendation（右侧下方绿色区）
- 结合“TCM知识库”和Embedding检索模型（在Milvus等数据库中），先筛选与该证型匹配的方剂、再根据患者个体差异做二次精细匹配。
- 最后由LLM生成“TCM Treatment Recommendations”，即个性化的中医处方与调护方案。