CoRPS-Dial：双智能体框架合成预问诊医疗对话
论文AI 评分 66/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对预问诊医疗对话因隐私与伦理限制难以规模化获取的问题，论文提出 CoRPS-Dial 双智能体框架，将患者人设与临床流程规则解耦。该框架由人设驱动的患者智能体和流程引导的医生智能体交互生成对话，随后对角色一致性、流程完整性和文本一致性做后置质量控制。在冠心病数据上的实验显示，合成对话在信息覆盖、临床合规性和自然度上更接近真实对话；下游微调实验也验证了合成数据的可用性。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
预问诊阶段的医疗对话需要尽可能完整地收集患者信息，但这类数据受隐私与伦理约束，大规模获取成本很高。已有的基于大模型的合成方法多依赖提示词工程或固定规则，难以同时兼顾临床相关性与患者表达的多样性。论文把这一矛盾作为出发点，试图在可控性与真实感之间找到平衡点。
双智能体如何分工
CoRPS-Dial 的核心做法是把患者人设与临床工作流规则拆开处理。患者一侧由人设驱动，负责呈现不同背景下的表达差异；医生一侧由流程引导，按指南对齐的步骤推进问诊。两个智能体通过交互产生对话，而不是由单一模型一次性生成整段文本。生成完成后还有一道后置质量控制，检查角色是否前后一致、流程是否完整、文本是否连贯，从而筛掉不合格样本。
实验与验证
论文在冠心病场景上开展实验，从信息覆盖、临床合规性和对话自然度三个维度比较合成对话与真实对话的接近程度，结果显示 CoRPS-Dial 的表现更好。作者还做了下游微调实验，用生成的合成数据训练模型并观察医疗对话任务上的效果，以此说明这些数据不只是看起来像，而是能实际用于训练。摘要未给出具体的量化提升幅度与数据规模。
为什么值得看
医疗对话数据稀缺且敏感，该工作用可控双智能体生成替代人工采集，并给出可验证的质量控制环节。
智能体微调论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。