Included Health 如何用 LangGraph 与 Deep Agents 构建联邦医疗导航智能体

医疗导航的核心难题在于，用户所问的问题与其真正需要的答案往往并不一致。一位询问动脉斑块扫描是否在保险范围内的会员，经过几轮追问后可能暴露出高胆固醇病史和心脏病家族史，此时正确的回应不仅是报出费用数字，还应引导其与初级保健医生进行深入沟通。传统决策树系统将这类复杂需求压缩为预设分支，导致体验僵硬，更无法在对话第一轮就识别出「胸痛」这类潜在紧急信号。

Included Health 的工程负责人 Kartik Darapuneni 指出，LLM 同时解决了个性化、规模化与上下文理解三大瓶颈。基于此，团队构建了以 LangGraph 为基础的 Dot 超图架构。Dot 作为主对话路由器，负责处理保险覆盖查询、账单咨询等事务性交互，并将用户导航至合适的护理节点。紧急护理接诊、预约排班、专科查找、行为健康等领域各有专属子工作流，由不同产品团队独立维护。

为解决跨智能体语气不一致的问题，Included Health 引入了 Deep Agents。此前，用户从一个智能体跳转到另一个时，往往感受到明显的风格断层。通过 Deep Agents，团队创建了全局平台提示词，统一管理所有智能体的语气与语调，无需各团队单独维护。Deep Agents 的内置文件系统还支持上下文传递：当前智能体在移交时会生成对话摘要，并将完整历史记录的文件路径一并传递给接收方，确保用户无需重复描述自身情况。

保险覆盖查询是一个典型的跨流程能力需求——用户可能在查找专科医生的过程中突然询问费用问题。引入 Deep Agents 之前，这需要在每个子工作流的路由逻辑中单独嵌入覆盖查询能力。现在，团队将其拆解为一个平台级子智能体，所有 Deep Agents 均可继承，实现了能力的统一复用。LangGraph 则保障了各产品团队在独立开发的同时，整体架构的组合一致性。

在临床能力管理上，Included Health 采用技能注册表机制。每项技能描述了服务的适用场景、禁忌情况及边缘案例处理方式。智能体启动时获取各技能的简短描述，在判断相关性后按需加载完整技能文件，从而决定向用户提出哪些澄清性问题——例如是否偏好线上或线下就诊、症状属于急性还是需要长期管理。这种渐进式信息披露机制有效提升了导航精准度。

临床监督是 Included Health 系统设计的重要组成部分。临床团队持续审核对话记录，评估智能体将用户导向特定护理节点的决策是否合理，并据此持续优化技能定义，使临床路由一致率稳定保持在 95% 以上目标线之上。与此同时，团队将人工介入视为核心设计约束而非边缘情况，将 LangGraph 作为整个消息平台的基础，确保在必要时能够平滑实现人工交接，兼顾效率与安全。

要点

• 联邦多智能体架构允许不同产品团队独立开发各自的医疗服务工作流，同时通过 LangGraph 超图保持整体一致性
• Deep Agents 的共享文件系统解决了跨智能体的语气一致性与上下文传递问题，用户无需在切换服务时重复描述情况
• 技能注册表机制实现了临床能力的模块化管理，支持渐进式信息披露，提升了护理导航的精准度
• 临床团队的持续审核反馈循环是维持 95% 以上路由准确率的关键，将人工监督嵌入系统设计而非作为补救措施
• 将人工介入作为核心设计约束而非边缘情况，是医疗场景下负责任 AI 部署的重要实践