面对一个复杂病例，单个模型往往很难同时兼顾疾病诊断、用药风险、指南依据和诊疗路径。真实临床中，疑难问题通常需要多学科专家共同讨论；那么，医学 AI 是否也可以具备类似的决策流程？
近日，哈工大社会计算与交互机器人研究中心健康智能研究室正式开源了 Knowledge-Enhanced Multi-Agent Medical AI System：一个面向医学问答、复杂临床推理与多专家协作决策的知识增强多智能体医学 AI 系统。
不同于传统的单模型医学问答系统，该系统希望探索一种更可靠、更可解释的医学 AI 范式：让大模型不只是直接回答问题，而是先检索医学知识、拆解临床问题、组织专家协作讨论，再形成最终判断。
图 1 知识增强多智能体医学 AI 系统整体架构
💡 系统核心亮点
1. 知识增强：让医学回答有据可依
医学场景对准确性要求极高，单纯依赖大模型参数记忆，很容易出现知识遗漏、依据不清甚至“幻觉”问题。因此，系统围绕脑血管病等医学垂直领域构建高质量知识库，融合权威指南、医学教材等资料，并进一步通过大模型完成知识清洗、语义增强和知识原子化处理。
图 2 医学知识库构建
具体来说，系统在知识处理阶段不仅会过滤目录、页眉页脚、参考文献等低价值文本，还会对医学知识片段进行语义补全，将原本依赖上下文的段落转化为可以独立理解、便于检索的医学知识条目。这使得模型在回答问题时，不再只是“凭记忆生成”，而是能够结合外部医学知识进行推理，为复杂医学问答提供更可靠的知识支撑。
2. 领域检索与 Reranker：让系统查得更准
医学问题往往具有高度专业性。一个看似简单的提问，背后可能涉及疾病分型、检查指标、治疗禁忌、药物相互作用等多个方面。
为提升医学知识检索质量，系统构建了面向医学垂直领域的检索增强流程，并支持训练脑血管病领域 Reranker。系统会基于医学知识问答对构造训练样本，引入困难负例筛选，强化检索模型在医学中的表现，使检索结果更贴近真实临床语义。
本系统依赖的 Reranker 权重和 FAISS 知识库已通过 Hugging Face 单独发布：
医学领域微调后的 Cross-Encoder Reranker：
https://huggingface.co/literary123/test_encoder_only_base_bge-reranker-base-noscore_qwen_distill2
由FAISS 索引、知识条目元数据、处理后的知识片段构成的向量知识库：
https://huggingface.co/datasets/literary123/faiss_index_A_v4
3. 动态多智能体协作：模拟真实多专家会诊流程
复杂病例并不适合由单一角色完成判断。系统中的多智能体模块会根据问题难度和内容，动态招募不同专业背景的 AI 专家，而不是使用固定模板式的专家列表。
图 3 动态专家招募
例如，面对这样一个问题：
一名疑似急性脑卒中患者近期服用抗凝药，现在是否适合静脉溶栓？
系统可能会自动组织多个专家 Agent 参与分析：
神经内科医生：关注卒中类型、发病时间窗、NIHSS 评分、溶栓适应证与禁忌证；
临床药师：关注近期抗凝药使用情况、末次服药时间、凝血指标和出血风险；
影像科医生：关注 CT/MRI 是否排除出血，是否存在大面积脑梗死；
急诊医学专家：关注急诊处置流程、时间窗管理和风险获益评估。
不同专家会从自身角色出发拆解问题，分别检索相关医学知识，再进行多轮讨论、补充、质疑和修正。最终，系统由决策 Agent 综合各方观点，形成更完整的医学分析结果。这让医学 AI 从“单模型回答”进一步走向“多专家协作推理”。
4. 角色化问题拆解+RAG检索：不同专家查不同的知识
传统 RAG 往往是对用户问题进行一次统一检索，然后把检索结果交给模型回答。但在复杂医学场景中，不同专家真正关心的问题并不相同。以急性脑卒中溶栓问题为例：
神经内科医生可能会检索：
急性缺血性卒中的静脉溶栓时间窗是什么？
NIHSS 评分如何影响溶栓决策？
哪些临床表现提示溶栓禁忌？
临床药师可能会检索：
近期使用 DOAC 是否影响静脉溶栓？
抗凝药末次服药时间如何影响出血风险？
溶栓前需要检查哪些凝血指标？
影像科医生则可能关注：
头颅 CT 如何排除脑出血？
大面积脑梗死影像表现是否影响溶栓决策？
是否存在需要优先评估的血管闭塞征象？
通过这种“角色化问题拆解 + 差异化知识检索”的方式，系统能够减少多个 Agent 回答同质化的问题，让不同专家真正提供互补视角。
5. 从知识库构建到多专家决策的完整闭环
这个系统尝试打通从医学知识构建到多智能体协作推理的完整流程：
医学资料解析 → 知识清洗与语义增强 → 医学知识原子化 → 向量知识库构建 → 领域 Reranker 训练 → 问题难度评估 → 动态专家招募 → 角色化知识检索 → 多轮专家讨论 → 最终决策汇总
我们希望通过这一闭环，让医学 AI 的回答过程更加可靠、透明和可追踪。
📌 适用场景示例
该系统可用于探索多类医学 AI 研究与应用原型，例如：
医学知识增强问答系统；
脑血管病等垂直领域临床推理；
多学科会诊式 AI Agent 协作；
临床指南和医学教材驱动的 RAG 系统；
医学大模型可信推理与可解释决策研究；
医学教育、病例讨论和科研原型验证。
🎁 开源共享
我们已将系统源码、架构设计、接口实现和相关文档开源，并提供知识库构建、医学检索、多智能体协作推理等核心流程说明，希望为医疗 AI、知识增强推理、Agent 协作、医学 RAG 和可信医学大模型等方向的研究者提供参考。
需要强调的是，本系统主要用于科研、教学、医学问答系统原型验证与多智能体协作机制研究，不构成真实临床诊断或治疗建议。任何医疗决策仍应由具备资质的临床医生结合患者实际情况做出。
核心开发人员
本系统由哈工大社会计算与交互机器人研究中心健康智能研究室杜晏睿、李家运、李文豪、马铭、赵丹杨完成，指导教师为赵森栋副教授、王昊淳副研究员、秦兵教授以及刘挺教授。
🔗 GitHub 开源系统地址
https://github.com/SCIR-HI/Knowledge-Enhanced-Multi-Agent-Medical-AI-System