HealthClaw：面向长期个人健康管理的自演化 AI Agent

导语

个人健康管理并不是一次性问答。饮食、运动、用药、睡眠、检查指标和风险因素会在数周、数月甚至数年中不断变化，但许多现有健康 AI 仍把每次请求当作孤立问题处理。来自 arXiv 的一篇新论文提出 HealthClaw，试图用“可治理的长期记忆”解决这一断裂：让 Agent 在反复交互中学习用户的稳定信息、可复用流程和历史片段，同时尽量减少不必要的隐私暴露。

核心要点

• 从单轮问答转向纵向支持：HealthClaw 面向长期个人健康管理场景，关注用户日常、偏好、测量数据和风险随时间变化后的持续适配。
• 记忆分层设计：系统将共享的安全规则、医学知识与私有纵向记忆分开。后者包括用户画像事实、可复用操作流程，以及特定事件的片段记录。
• 交互后的归纳更新：每次会话结束后，系统会判断新信息应更新画像、修订流程、仅保留为事件记忆，还是因无关或不适合保存而排除。
• 降低上下文暴露：在 900 个长期支持探针中，HealthClaw 的回答准确率从仅使用当前问题提示时的 0.2% 提升到 45.7%；相比把完整历史塞进提示词的方法，提示侧上下文暴露减少 71.7%。
• 隐私任务表现更好：在 100 个隐私探针中，HealthClaw 相比两个基线给出了更高质量的隐私感知回答，并减少了不安全披露。
• 生物医学任务也有收益：在九个各 200 案例的生物医学任务中，其任务特定主指标平均绝对提升 27.0 个百分点，其中七项在错误发现率校正后仍显著。

意义与影响

这项工作抓住了健康 AI 落地中的一个关键矛盾：用户希望系统“记得我”，但又不能把所有历史都无差别暴露给模型。HealthClaw 的价值不只是增加记忆容量，而是尝试定义哪些信息该被结构化沉淀、哪些只适合短期保留、哪些不应进入记忆。这种治理机制对健康、金融、教育等高敏感场景都具有参考意义。

不过，论文结果主要来自合成的全年基准和离线生物医学任务。45.7% 的长期支持准确率虽大幅优于当前问题提示，但也说明系统远未达到可直接依赖的临床水平。作者同样指出，临床有效性仍需要前瞻性评估。换言之，HealthClaw 更像是长期健康 Agent 的架构探索，而不是已经可以替代专业医疗判断的产品。

如果未来能与真实世界数据、严格安全审计和临床流程结合，这类自演化记忆 Agent 可能成为个人健康管理从“偶发咨询”走向“连续陪伴”的基础组件。

来源：arXiv