DoctorAgents：面向小样本临床时序数据、迭代优化 AutoML 管线的智能体框架

arXiv 论文提出 DoctorAgents，这是一个面向小样本临床时序数据的智能体框架，将 AutoML 从穷举搜索转向推理驱动的迭代优化。该框架由生成、验证、优化三个 LLM 智能体组成，通过文本梯度下降反向传播自然语言反馈，实现针对性更新。实验显示，DoctorAgents 在多种临床任务上优于既有 AutoML 基线，并产生更可解释的表示。

现有 AutoML 系统依赖预定义空间内的暴力搜索，缺乏显式推理和记忆。DoctorAgents 首次将 AutoML 重构为推理驱动的精炼过程，利用 LLM 智能体分工与文本梯度下降，针对小样本临床时序数据这种高难度场景，实现了超越基线的性能，同时提升可解释性。

DoctorAgents 将 ML 管线构建分解为生成、验证、优化三个环节，分别由专门 LLM 智能体执行。优化环节通过文本梯度下降，将验证反馈反向传播为自然语言指令，实现目标明确的参数调整，避免全局穷举搜索。这种机制能有效利用小样本数据中的有限信息，并通过语言反馈提升模型可解释性。

对 AutoML 产品（如医疗分析平台）而言，此框架可能显著提升小样本临床数据的建模效率，缩短管线开发周期。同时，自然语言反馈机制可能降低模型调试门槛，使非专家用户更易参与。但当前仅为论文提出，尚未有产品化或开源实现，实际影响取决于后续落地与验证。

• 开发集成 DoctorAgents 的 AutoML 服务，面向小样本临床科研团队，提供自动生成-验证-优化的端到端管线。
• 设计可插拔的文本梯度下降反馈模块，用于现有 AutoML 工具，以加强对时序数据的支持。
• 构建可解释性报告界面，输出管线优化过程中的自然语言反馈，增强用户信任。
• 针对电子健康记录等小样本场景，推出 DoctorAgents 的专用预配置版本，降低使用门槛。

• DoctorAgents 的性能优势是否在小样本之外的大规模数据集上依然成立？
• 论文中使用的具体临床任务和基线有哪些未披露细节？其可复现性如何？
• 文本梯度下降机制对 LLM 的依赖是否导致高推理成本或在低资源环境中难以部署？
• 是否存在官方代码或开源计划，以便第三方验证与集成？