SkeMex：通过自进化技能记忆实现可泛化的医疗智能体推理
Experience Makes Skillful: Enabling Generalizable Medical Agent Reasoning via Self-Evolving Skill Memory
研究者提出 SkeMex，一个部署后自进化框架，通过技能记忆提升医疗智能体推理能力且不更新模型权重。SkeMex 将交互轨迹蒸馏为结构化技能，组织成覆盖通用、任务特定和动作级经验的多分支仓库，并依据环境反馈估计上下文相关效用，指导价值感知检索与仓库治理。在多种临床任务中，SkeMex 在离线和在线设置下均持续优于代表性记忆型智能体，并可跨模型骨干泛化，支持可迁移的技能记忆。
作者：Haoran Sun、Wenjie Li、Yujie Zhang、Zekai Lin、Fanrui Zhang、Kaitao Chen、Xingqi He、Yichen Li、Mianxin Liu、Lei Liu、Yankai Jiang
摘要：医疗智能体系统日益被期望支持交互式临床决策，而不仅仅是静态问答。在此类场景中，有效的智能体必须能够在不断演变的病例之间复用先前的经验，然而现有的记忆机制往往保留原始的历史痕迹，这些痕迹冗余、嘈杂且难以治理。更重要的是，它们很少区分哪些记忆对未来推理真正有用。这限制了它们为长时程临床推理积累紧凑且可靠经验的能力。为弥补这一差距，我们提出 SkeMex，一种部署后自演化框架，通过基于技能的记忆在不更新模型权重的情况下改进医疗智能体。SkeMex 将信息丰富的交互轨迹提炼为结构化技能，编码可复用的程序性知识，并将其组织为涵盖通用、任务特定和动作级经验的多分支存储库。为确定哪些记忆应被复用和保留，SkeMex 从环境反馈中估计上下文相关的效用，并用其指导价值感知的检索和存储库治理。闭环的“读取——写入——评估——治理”生命周期通过写入新技能、更新效用、提升有用记忆并移除有害条目，进一步支持持续演化。跨多种临床任务的实验表明，SkeMex 在离线和在线设置中均持续优于代表性的基于记忆的智能体。它还能跨模型骨干泛化，并支持可迁移的技能记忆。所有数据和代码将公开发布。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2606.09365 [cs.AI] |
| （或 arXiv:2606.09365v4 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.09365 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Haoran Sun [查看电子邮件]
[v1]
2026年6月8日星期一 11:37:01 UTC（19,046 KB）
[v2]
2026年6月10日星期三 14:46:00 UTC（19,046 KB）
[v3]
2026年6月15日星期一 15:01:33 UTC（19,046 KB）
[v4]
2026年10月9日星期五 07:02:59 UTC（19,057 KB）
来源：arXiv cs.CL · arxiv.org