MediSkill-Evo：用于循证临床交互的过程约束自我进化

交互式临床智能体必须在部分可观测条件下收集决定性证据，并将其转化为有依据的行动。仅有正确的最终诊断并不能表明智能体遵守了证据和护理流程约束。我们提出 MediSkill-Evo，这是一种无需对主干模型进行微调即可演化受约束过程知识的临床智能体。它将经验分为四类类型化知识库，分别用于临床技能、过程规则、符号模式和测量程序。溯源、支持、回放以及控制器定义的安全检查共同管理向冻结的测试时快照发布内容。过程约束偏好框架将证据与其来源绑定，拒绝控制器判定无效的候选项，并使用安全优先的 Clinical Process Critic 对行动进行排序。我们在相同的 Doctor 轮次限制下，跨两个主干端点和六个受控压力维度评估完整智能体系统。在 300 个留出的 Qwen 就诊案例上，与 AgentClinic 相比，MediSkill-Evo 将诊断准确率从 61.33% 提高到 69.00%，将治疗意图覆盖率从 33.62% 提高到 66.44%，同时将自动评分的关键失败率从 31.00% 降低到 16.33%。在由 30 个病例衍生的 180 个硬隔离条件下，在患者行为压力下的目标恢复率达到 93.61%，时间性证据达到 100.00%，分诊危险信号达到 92.22%。一项探索性的 100 例 MedSAM 比较评估了请求门控工具接口的可行性。这些结果为固定评估套件上的完整系统提供了描述性的端到端证据，而不是针对单个知识库的因果证据，也不是对自动评判器的临床验证。