本文介绍了在Nature正刊发表的医疗AI智能体MIRA它能够在医院工作流中持续行动通过GPT-4o和o1模型结合实现连续决策、工具调用和工作流执行。MIRA在真实急诊病例模拟环境中达到了88.9%的平均诊断准确率并在人机对照实验中表现优异展现了AI在医疗领域的巨大潜力。同是智能体人家这个自主医疗AI智能体登Nature正刊夯爆了。看到论文笔者第一反应是不是看错了急切想知道Nature水平的Agent创新点在哪里。背景过去几年医疗大模型取得显著进展医学考试、问答达到甚至超过专业医生水平。但都需要输入完整信息再给出答案医疗实际则完全不一样。初诊患者往往只有简单症状描述后续信息需通过一个连续诊疗过程逐步获取问诊 - 检查 - 开具化验 - 申请影像 - 查看结果 - 修正诊断 - 制定治疗方案 - 决定是否住院 …MIRA诊疗是连续决策过程最重要的决策是下一步该做什么这是Agent的计划问题。论文的医疗Agent叫 MIRA (Medical Intelligence for Reasoning and Action)MIRA 基础模型规划能力医疗工具集FHIR接口EHR环境患者模拟器目标是在医院工作流中持续行动跟医疗问答系统不同是真Agent。MIRA工作流架构MIRA建立在OpenAI GPT-4o和o1之上整体架构如下医生Agent依赖GPT-4o交互问诊、工具调用和执行Plan Tool则用的是o1关键节点的复杂规划和策略生成。GPT-4o负责前线执行o1负责后方诊断常见的规划-执行分层设计。行动传统医疗大模型只能给建议比如查血常规。MIRA则能够真正执行Order CBC系统返回结果WBC16.2然后继续下一步决策。形成了 观察 → 决策 → 行动 → 环境反馈 → 再决策 完整闭环。这也是Agent与Chatbot最大的不同。过滤Agent所有行动均需严格过滤过滤集是超过8.5万个可执行医疗选项来自六大医学编码体系。包括检查项目、药物、诊断编码、医疗操作等核心医疗专业知识。难点在于每一步都要从海量可能中选择最合适的少数动作。这实际是在高维医学空间中不断缩小搜索范围的过程已经非常接近真实世界医生面临的复杂决策问题。这跟思路类似。MIRA推理轨迹FHIRFHIR不能忽略可能是论文最重要的工程选择。FHIRFast Healthcare Interoperability Resources是现代医院信息系统的标准接口。MIRA把所有工具调用都映射为FHIR兼容操作 Agent - FHIR - EHR - 结果返回 - Agent。理论上MIRA已经具备与真实医院系统连接的技术路径也是论文能做系统研究的关键步骤。环境Nature估计还看重论文的医疗环境设计。论文构建了Patient Agent、Physician Agent、EHR Environment、Evaluation Framework形成一个完整的医疗Agent测试平台。平台上患者不会主动透露答案EHR不会提前暴露诊断结果AI必须通过连续行动获取信息。AI需从答题能力变成工作能力更像医疗AgentBench。水平在574个真实急诊病例构建的模拟环境中MIRA达到了88.9%的平均诊断准确率。论文还设计了更严格的人机对照实验医生和MIRA站在同一起跑线只看到患者主诉需自行获取信息逐步完成诊疗。MIRA在多个疾病类别中达到甚至超过参与实验医生的诊断表现。MIRA与四位专科医师在诊断准确性、推理及检查选择性能方面的比较性能检查策略上MIRA并没有通过大量冗余检查换取准确率。整体资源利用效率接近医生水平。生成的治疗计划与临床指南高度一致。药物安全重点测试了肾功能剂量调整、药物相互作用、过敏风险、阿片类药物风险整体表现稳定。住院决策上对于需要住院的高风险患者具有较高召回率。同时在模拟患者情绪干扰和信息偏置条件下保持较好鲁棒性。突破医疗具备Agent喜欢的特性状态、动作、反馈都已标准化。MIRA关注连续决策、工具调用、工作流执行、人机协作、环境评测研究对象从模型变成了系统。或许打动Nature的突破是首次把诊疗工作抽象成一个可执行、可评测、可扩展的Agent环境。个人理解有限论文很值得借鉴。数据https://physionet.org/content/mimiciv/2.2/代码https://github.com/Dyke-F/MIRA最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】