医疗AI如何从服务单个使用者，走向支撑医院管理者、医生与患者之间的全方位协作？在全诊通创始人薛翀博士看来，关键在于让AI覆盖医疗协作中的各方：通过不同AI工作台服务各自使用者，同时让智能体之间接续任务，再用本地化模型与数据平台支撑这套协作体系在医院运行并持续优化。

9月14-16日，由《中国卫生信息管理杂志》社主办的第二届医学人工智能大会在重庆举行。会议期间，全诊通创始人薛翀博士以《自主可进化的AI智能体协同医疗工作》为题发表演讲，重点分享多智能体如何跨工作台协同，以及全诊Stem Agent平台、本地化模型和数据平台如何支撑这一协作。以下内容根据薛翀博士演讲整理。

首先，我想重点讨论多智能体的协同。目前，许多工作协作AI的重点是人与AI协同：AI服务某一端的使用者，帮助他完成具体任务。比如，医生借助AI查询文献，解决的是单个角色的工作效率问题。

但医疗的复杂任务还涉及医生、医院管理者与患者之间的协同和配合。如果我们希望AI服务医疗生产关系中的各方，就需要为不同角色提供相应的智能体形态和AI工作台，并让这些智能体能够配合完成跨角色的任务。

为此，全诊通推出三大AI工作台（Workspace）：ClinMate面向医生与医护人员，服务病历书写、临床决策支持、教学和科研；WorkMate面向医院管理与职能部门，服务质控、医保、运营及知识管理；HealthMate面向患者与家属，提供导诊、预问诊、随访与解读等辅助服务。每个工作台承载相应角色的工作场景，其中的智能体负责具体任务。

要让这三个工作台做好服务，各自的智能体除了与人协同，还需要与其他工作台中的智能体协同。同一项医疗工作可能跨越多个角色，任务也需要在不同智能体之间接续。

以随访为例，ClinMate中的智能体与医生一起制定某位患者的随访计划后，具体随访任务需要由HealthMate中的另一个智能体接续执行。为此，两端智能体需要传递计划和任务信息，让医生端形成的计划能够在患者端落实。这个过程包含医生与智能体共同制定计划，也包含智能体与智能体之间的任务衔接。医院管理与职能部门则可以通过WorkMate中的智能体参与相关质控和管理工作。

我们的目标是让医生、管理者和患者都能在适合自己的工作台中获得服务，同时通过多智能体协同，把各端工作连接起来。

以上三个AI工作台面向不同角色，背后需要大量承担专业任务的智能体，并通过任务衔接共同完成复杂的医疗工作。这些智能体需要被创建、编排、测试、发布和管理。因此，支撑三个工作台运行，还需要一套统一的智能体平台，全诊Stem Agent正是承接这些工作的底层平台。

同时，随着合作医院范围扩大，我们发现不同医院、科室都会提出个性化需求，医院的资源条件和业务流程也存在差异，标准化应用往往需要进一步适配。在这个背景下，全诊Stem Agent正好为医院提供了一套能够根据实际工作创建和调整智能体的工具。

全诊通的Stem Agent生产平台，提供智能体创建、编排和管理能力。平台支持通过自然语言创建、调试智能体和专属技能，也支持拖拽式可视化编排多智能体工作流，帮助医务人员根据个性化需求，组织不同智能体之间的任务衔接。医疗场景模板与团队模板则帮助不同科室复用已有成果。

智能体创建之后需要经过评估、发布和管理。平台将这些环节与知识、技能及权限治理放在同一体系内：智能体发布后可以生成对话页面链接，AI对工作流的修改先以差异提案呈现，经用户确认后再保存。不同角色的访问范围，以及版本回滚，也纳入平台管理。

通过这样的方式，能够让熟悉业务的医院人员参与智能体创建和协作流程设计，并对修改、发布及使用范围保持控制，使智能体能够持续适配实际工作需求。

当多智能体协作进入医院的真实工作流，下一个问题是：如何让支撑这些工作流的智能体在医院端运行？这需要本地化模型提供推理能力，并配套模型训练和数据处理能力，帮助医院结合自身业务持续优化模型。

对于本地部署的算力压力，全诊通采用模型压缩和专域模型后训练，探索降低运行资源需求，并开展面向医院任务的本地化模型训练。医学模型训推平台把训练、评估、加密导出和部署纳入统一管理，为智能体提供可持续更新的模型能力。

在本地部署模式下，核心临床数据保留在院内，模型训练与运行需要相应的院内资源。医院也可以结合数据边界和资源条件选择云端或云端协同模式，云端任务以授权为前提。我们需要根据实际条件组织部署，使模型能力与医院的工作要求相匹配。

在训练方法上，我们区分了三个不同目标。继续预训练（CPT）用于补充新增、变化和时效性较强的领域知识，例如指南、共识及规范更新；监督微调（SFT）把业务要求转化为输入与标准输出，让模型学习具体任务、格式和流程；直接偏好优化（DPO）则利用专家对不同回答的比较，进一步调整输出质量和业务偏好。

要让本地模型持续适应医院工作，还需要把数据回流、模型训练与专业评测连起来。智能体在真实业务中与人协作，产生的专业反馈可以成为后续优化的依据。

全诊通的数据合成与标注平台，将真实场景中的病历信息、临床反馈和专业经验，经过清洗、标注及必要的数据增强，转化为训练材料；再由模型训推平台开展训练和评估，将更新后的模型能力用于智能体。我们希望形成真实场景应用、数据反馈、模型训练和智能体更新之间的持续循环。

在实践中，全诊通为众多头部三甲医院提供了模型构建与部署，并为多家专科医院定制了专科医疗模型。这些不同场景，也要求我们围绕各自的专业任务组织数据和训练。

但数据持续增加，并不意味着模型能力自然提升。医院需要与临床专家一起，明确评价标准和评测数据集。以无感病历自动书写（ADS）为例，全诊通联合临床专家开展中文ADS质量评价研究，形成包含15项指标、9大核心维度的评价体系，覆盖理解力、无幻觉性、事实一致性、完整性、连贯性、术语规范性、简洁性、结构化能力和流畅性，并根据缺陷类型与严重程度进行量化评价。

在中文ADS评测结果中，自动评分与专家评分的总体一致率为97.6%。这一结果对应病历质量评价任务，为我们探索自动评测提供了依据。