跳转至

SEMA-RAG: Self-Evolving Multi-Agent RAG for Medical Reasoning — arXiv:2605.17101

摘要

检索增强生成（RAG）被广泛用于缓解医学问答中的幻觉和知识过时问题，但其主要单轮、静态检索范式与临床推理的多阶段过程不对齐。这种压缩的工作流导致两个结构性缺陷：问题到查询的转换往往缺乏临床基础的语义解释，检索缺乏迭代充分性反馈，难以形成可靠的证据链。本文认为这两个问题源于更深层原因：让单一推理链承担异构的解释、探索和裁决任务。解决方案是通过任务解耦和动态多轮探索重构工作流。

核心贡献

  1. 自演进多 Agent RAG 框架：将 RAG 分解为多个专业化 Agent（解释 Agent、探索 Agent、裁决 Agent），通过协作完成医学推理
  2. 任务解耦机制：将异构推理任务分离，使每个 Agent 专注于单一职责
  3. 动态多轮探索：引入迭代反馈循环，根据中间结果动态调整检索策略
  4. 可靠证据链构建：通过多 Agent 协作形成可追溯、可验证的医学推理链

为什么重要

医学问答是 Agent 记忆系统的重要应用场景——需要从大量医学文献中检索相关信息并综合推理。该框架通过多 Agent 协作解决了单 Agent RAG 的根本局限，对需要复杂推理的 Agent 系统有普遍参考价值。

与移动端/端侧的相关性

移动端健康顾问 Agent 需要在不依赖云端的情况下提供医学推理能力。SEMA-RAG 的多 Agent 架构可以分布式部署在端云协同环境中，敏感推理在端侧完成，知识密集型检索按需调用云端资源。