语言模型代理在临床队列策划中必须能够适应不断变化的入组标准，而不必对未变更的需求重复计算。CohortFlow 将自然语言的校正表达为对结构化队列规范的局部更新，并将这些更新与持久化的执行图进行对齐。系统显式记录语义依赖关系，使得仅受影响的计算节点被标记为失效，其他已完成的结果得以保留。
在 100 个人体试验入组标准衍生的场景中，共计 126 次校正回合，局部引导的微观 F1 达到 77.0%，略高于使用同一 8B 模型的全量重生成的 76.4%，差异在统计上不显著 ($p=0.493$)。该方法将平均校正延迟降低 64.8%（完成后）和 44.3%（执行期间），模型调用次数减少 38.1%。
在对 MIMIC 数据集的概念验证中，全部 13 种队列状态均成功执行，校正轨迹展示了对未受影响计算的选择性保留以及对改变或依赖节点的重新计算。整体结果表明，局部语义引导能够显著缩短校正时间和模型调用量，同时保持较高的需求层面准确性。
点评