大型语言模型在标准医学问答上表现优异，但在更难的推理任务上表现下降，传统的多代理辩论往往不如单模型提示。原因在于现有系统仅依据问题本身选择专家并检索知识，而未针对推理过程中出现的知识或专业空缺进行干预。我们提出挑战感知的自适应招聘：一个外部 CHALLENGER 监控推理轨迹，发现具体的事实或专业缺口，并据此触发针对性的知识检索或在讨论中引入专科专家。实验在 MEDAGENTSBENCH 硬子集（862 题，覆盖九个生物医学数据集）上进行。提前检索收益有限，而在推理中期进行检索显著提升效果；在多专科骨干模型上，8/9 数据集的准确率提升，并比仅使用 Challenger 多出 6 个百分点。消融实验表明检索时机和缺口特定查询均有贡献，实时网页搜索实验显示该时机优势在不同检索后端仍然存在。对于专家招聘，自主触发不可靠，而 Challenger 触发将 GPT‑4.1‑mini MedQA 的准确率从 46% 提升至 54%，在所有测试的泛化数据集上均呈正向变化。直接将检索与专家招聘并用会导致性能下降，说明需要对自适应干预渠道进行协调。综上，何时以及为何引入外部资源是多代理医学推理设计的关键因素。
点评