双Agent架构破解医疗对话合成难题：患者人设与临床工作流解耦

医疗对话数据是训练临床AI的燃料，但真实的问诊对话受限于隐私和伦理，极难大规模获取。现有的大模型合成方法要么依赖提示工程，要么依赖硬编码规则，往往在「临床合规」与「患者多样性」之间顾此失彼。一篇来自arXiv的论文提出了CoRPS-Dial框架，试图用双Agent架构拆解这个矛盾。

为什么医疗对话合成这么难？

预问诊对话需要同时满足两个看似冲突的目标：一方面要覆盖完整的临床信息采集流程（主诉、现病史、既往史、用药史等），另一方面要模拟真实患者千差万别的表达方式——有人絮叨、有人惜字如金、有人答非所问。

单Agent方案通常把这两个目标混在一个提示词里，结果要么是对话过于「标准病人」而失真，要么是患者人设过于跳脱导致临床信息缺失。CoRPS-Dial的核心洞察是：患者人设与临床工作流本就应该解耦，分别由不同的Agent承载。

CoRPS-Dial的双Agent设计

患者Agent：人设驱动

患者Agent由结构化的persona驱动，这个人设包含患者的背景信息、性格特征、表达习惯和健康素养水平。关键设计在于，人设参数是独立于临床流程的——同一个冠心病工作流可以搭配焦虑型老年患者、粗线条中年男性或医学术语混用型患者，从而在保证流程完整的前提下生成多样化的对话样本。

医生Agent：流程引导

医生Agent不依赖自由发挥，而是遵循指南对齐的临床工作流规则（guideline-aligned clinical workflow rules）。它按照预定义的问诊路径推进对话，确保冠心病相关的关键信息点被逐一采集。这种「流程脚本+Agent交互」的混合方式，比纯规则模板更自然，比纯提示工程更可控。

临床工作流规则（clinical workflow rules）通常指从临床指南或专家共识中提炼出的结构化问诊路径，例如预问诊中需要依次采集主诉、现病史、既往史、用药史、过敏史等模块。与自由对话不同，工作流规则会规定每个模块下必须覆盖的关键信息点（information items），并允许一定的跳转和追问逻辑。将这类规则与LLM Agent结合，相当于用规则做“骨架”保证信息完整性，用语言模型做“血肉”提升对话自然度。这种混合方式在临床对话合成中越来越常见，因为它比纯模板更灵活，比纯提示工程更可控，也便于事后审计合规性。

事后质量控制

双Agent交互生成的对话还要经过一道质检关卡，检查三个维度：角色一致性（患者是否始终保持人设）、工作流完整性（该问的是否都问了）、文本一致性（对话是否连贯无矛盾）。不合格的样本被过滤，这层后处理显著提升了合成数据的可用性。

角色一致性（role consistency）在对话合成中通常指Agent是否始终维持预设的人设特征，例如语气、用词习惯、健康素养水平等不漂移；工作流完整性（workflow completeness）则衡量预设的临床信息点是否被全部采集，常用覆盖率指标；文本一致性（textual coherence）关注对话轮次之间是否逻辑连贯、无自相矛盾。这三个维度分别对应“像不像患者”“合不合临床”“顺不顺对话”，是评估合成医疗对话质量的常用正交视角。自动化质检通常借助另一个LLM作为评判者（LLM-as-a-judge），或结合规则匹配与分类器打分。

实验结果说明了什么？

论文在冠心病场景下做了验证。合成对话与真实对话在三个指标上的对齐程度均有提升：信息覆盖率、临床合规性和对话自然度。更关键的是下游微调实验——用CoRPS-Dial生成的数据微调模型后，在医疗对话任务上的表现验证了这些合成数据的实际效用，而不只是表面指标好看。

这个结果的意义在于：合成数据要真正有用，不能只追求「像」，还要保证临床信息密度足够。CoRPS-Dial通过解耦设计同时做到了这两点。

下游微调实验（downstream fine-tuning）是检验合成数据实用性的关键环节：将合成对话作为训练数据微调一个基座模型，再在真实医疗对话任务（如信息抽取、对话状态跟踪或回复生成）上评估其表现。如果合成数据仅在表面指标（如BLEU、ROUGE或人工自然度评分）上接近真实数据，但微调后模型能力没有提升，说明数据缺乏临床信息密度或分布偏移严重。反之，下游任务性能提升才能证明合成数据“有用”而非仅仅“像”。这一评估范式在数据合成研究中被广泛采用，用以区分表面逼真与功能有效。

值得关注的局限与延伸

论文目前只在冠心病一个场景上做了实验，工作流规则的构建本身需要领域专家投入，跨科室迁移的成本尚不明确。另外，真实患者的情绪波动、方言表达、非语言信息（如停顿、语气）在纯文本对话中仍难还原。

不过，这种「人设与流程解耦」的思路具有通用性。任何需要同时控制内容结构和表面多样性的合成任务——比如客服对话、教育辅导对话——都可以借鉴双Agent的分工模式。医疗AI数据荒的解法，可能不在于更大的模型，而在于更聪明的数据生成架构。