MedGraph：用图记忆追踪患者状态，提升长期医疗对话准确性

长期医疗对话中，患者的状态会随时间变化，而LLM助手需要准确跟踪这些变化。现有记忆系统常犯三类错误：检索到过时状态、混入他人健康事实、遗漏关键安全信息。MedGraph通过构建图记忆，将事实按日期和人物归属链接成链，并在检索时按问题时间点读取，显著提升了回答准确性。在MedMemoryBench上，MedGraph以GPT和Qwen为骨干均取得最高总体准确率，分别领先最强基线10.5和10.4个百分点。

长期医疗对话的记忆难题

LLM医疗助手要跨就诊跟踪患者，记忆必须随临床状态变化而保持正确。研究分析了五种记忆系统在纵向医疗对话中的错误，发现三类反复出现的原因：检索到的证据反映过时状态、包含他人的健康事实、或缺少答案所依赖的安全事实。这些错误在长期对话中尤为致命，因为患者状态是动态的，而传统记忆系统往往静态存储信息。

LLM记忆系统通常指在模型上下文窗口之外，通过外部存储（如向量数据库、知识图谱或结构化档案）保存历史信息，并在需要时检索注入提示词的机制。常见实现包括：滑动窗口保留最近对话、摘要压缩历史、向量检索相似片段、以及基于实体或时间的结构化存储。这些方案在通用对话中表现尚可，但在医疗场景下面临特殊挑战——患者状态会随就诊、用药和检查结果动态变化，同一事实在不同时间点可能具有不同临床含义，而静态存储或纯相似度检索无法表达“某事实在何时对谁成立”这一时间与归属维度。

MedGraph的图记忆设计

MedGraph针对上述三类错误设计。构建阶段从每次会话中提取带日期的事实，将每个事实归属到所描述的人物，并把药物、诊断和测量记录链接成链，保留早期状态。检索阶段以患者链为单位排序，在问题所问的时间点读取每条链，并补充原始对话文本；患者档案列出所有记录的安全事实，并与每个问题关联。这种设计确保记忆既包含时间维度，又明确人物归属，同时不遗漏安全信息。

知识图谱（Knowledge Graph） 以节点表示实体、以边表示实体间关系，天然适合表达“人物—事实—时间”的多维结构。在医疗记忆中，图结构可将患者、药物、诊断、测量值等作为节点，将“服用”“诊断于”“测量值为”等作为带时间戳的边，从而在检索时沿边遍历而非仅做文本相似度匹配。相比向量检索，图记忆的优势在于：可以显式约束人物归属（只沿目标患者的边扩展）、按时间条件过滤边（读取问题时间点之前的状态）、以及通过链式路径保留状态演变历史，避免早期事实被后续记录覆盖。

实验结果与性能

在MedMemoryBench基准上，MedGraph在GPT和Qwen两种骨干模型下均取得最高总体准确率，分别比五种基线中最强者高出10.5和10.4个百分点。在GPT设置下，记忆构建和回答效率也较高。这表明图记忆结构能有效解决长期医疗对话中的状态跟踪问题，为LLM医疗助手的记忆设计提供了新思路。

MedMemoryBench是专门评估LLM在纵向医疗对话中记忆能力的基准，其问题设计覆盖状态跟踪、人物归属和安全事实召回等维度，要求模型基于跨多次会话的历史记录作答，而非仅依赖单次对话上下文。此类基准通常包含多患者、多时间点的对话序列，并设置干扰项检验系统是否会误用他人事实或过时状态。在该基准上比较不同记忆系统，能够区分“检索到相关内容”与“检索到正确时间点、正确人物的相关内容”，从而暴露传统记忆方案在时间与归属维度上的系统性缺陷。