-01-

引言

癌症研究与肿瘤学是高度复杂的科学领域，具有重大的社会影响，并对人类专业知识有强烈的需求。在癌症研究中，需要人类的创造力来提出新的假设和想法，以理解癌症的分子和细胞过程，并最终尝试影响这些过程以治疗或治愈疾病。

癌症研究者的日常工作包括掌握众多复杂的多步骤工作流程。其中一些涉及实验室的物理活动，但许多并不需要与物理环境互动。癌症研究者所做的很大一部分是智力活动，只需要与计算机软件交互。此类任务如查阅科学文献、阅读科学新闻文章、审阅实验数据或对数字数据进行生物信息学分析。有些任务甚至延伸到设计分子结构，随后通过计算方法进行评估。与癌症研究类似，肿瘤学的临床实践也涉及由训练有素的人类专家执行的过程：阅读和理解临床试验结果、进行跨学科肿瘤委员会的讨论、将治疗指南与个体患者特征相匹配、确定合适的临床试验以及向患者传达复杂信息，这些都是智力或沟通任务。

如果我们能使用计算机程序来执行癌症研究者和肿瘤学家所做的许多单一任务，会怎样？代理式AI恰恰可以实现这一点。代理式AI是（半）自主系统，能够感知、学习并作用于其环境，因此可以执行以前需要人类专业知识的认知任务。特别是基于大型语言模型（LLM）的新范式，其中LLM作为核心推理引擎。在非医学领域，拥有多样化工具集的基于LLM的代理式AI已经在颠覆多个行业。软件工程、旅行预订、客户支持以及许多其他任务现在可以部分或完全由代理式AI自动化。最近，代理式AI也已成为医疗健康和生物医学研究界讨论的焦点。商业部门已经开始大规模投资于基于代理的研发工具，用于研究管线。这包括为代理式AI应用提供沃土的药物研究。在研究领域内，AI系统可以持续扫描数千篇新的研究出版物，识别人类研究者可能忽略的跨研究新兴模式，设计计算实验来测试新假设，为新型疗法生成潜在的分子结构，并提供全面的患者数据分析以确定最佳治疗方法，所有这些都可以基于人类的一个高级提示持续运行。

与此同时，医院系统越来越多地寻求使用代理式AI来自动协助复杂任务，例如优化肿瘤学的诊断流程。此类系统可以在预约前准备全面的患者简报，根据最新证据和遗传标记建议个性化治疗方案，从全球数据库中识别合适的临床试验，甚至起草根据个体健康素养水平定制的患者沟通材料，理想情况下让肿瘤学家能够专注于护理的人文方面和复杂的决策制定。截至2025年，这些能力已不再是“科幻小说”，因为技术基础已经存在，并且展示其成功实施的概念验证研究已经发表。

-02-

一、从大型语言模型到代理式AI

大型语言模型的崛起

强大的代理式AI的出现得益于LLM的发展。自2010年代末以来，自然语言处理算法取得了巨大进步。受到Transformer架构发明的推动，加之模型架构、训练数据集和训练硬件的大规模扩展，LLM已成为任何NLP任务（即任何涉及语言理解或创造的任务）的先进技术。从2020年起，LLM席卷了世界。由OpenAI于2020年发布的LLM生成式预训练Transformer-3，首次展示了其能力中意想不到的涌现行为，它表现出了惊人的原创性。随后的LLM，例如ChatGPT的GPT-3.5，进一步扩展了这些能力。随后多家商业和非商业实体为这个生态系统做出了贡献：Anthropic的Claude模型、Meta的Llama系列、Google的Gemini和Gemma、Mistral AI的模型以及中国的DeepSeek及其DeepSeek v3，都做出了实质性贡献。这些模型在包括竞争性编程在内的复杂基准任务上达到了越来越类人的能力。

推理模型

一项特别相关且改进了LLM的进展，是2024年和2025年“推理模型”的发展。第一个突出的例子是OpenAI于2024年底推出的模型o1。另一个值得注意的进展是DeepSeek R1的出现，它成为第一个具有与专有替代方案相当能力的开源推理模型。随着来自主要AI实验室的更多推理模型的出现，该领域迅速扩展，包括Google的专门Gemini推理变体（如Gemini 2.0 Flash Thinking）、xAI的Grok 3和Anthropic的Claude 3.7模型。这些模型可以有方法地处理多步骤物理问题，其中一些向用户展示其内部推理，使每个计算可见并解释指导其响应的基本原理。

然而，这些推理过程所需的计算资源和时间意味着它们通常不适合许多日常任务，例如简单的事实查询或直接的文本生成。这导致了“混合”方法的出现，其中AI平台动态决定是使用标准模型进行即时响应，还是使用推理模型处理复杂问题。在临床应用中，这样的混合系统可能会立即提供标准的药物剂量信息，但在分析具有多种合并症和药物相互作用的复杂患者病例时，则会启动推理能力。

另一个有趣的发展是潜在推理模型的兴起，其中推理过程完全发生在模型的内部表征中，而不是生成明确的逐步标记。这些模型可能提供了两全其美的优势：推理的彻底性与直接回答的效率和简洁性。这种方法有效地将推理范式整合到模型的基本架构本身中，代表了AI系统解决问题方式的转变，从模式匹配转向更接近于深思熟虑的思考。

代理式AI与多代理系统

尽管能力令人印象深刻，但当前的LLM面临一个根本性的限制：它们无法原生地与环境交互。相比之下，代理式AI是配备了访问外部信息源和与软件系统接口能力的LLM。许多现实世界的问题解决任务需要最新信息或超出模型静态训练数据的动态交互。例如，协助癌症治疗规划的AI系统必须能够检索最新的临床试验结果和更新的治疗指南——这些资源可能在模型训练截止日期之后才发布。此外，有效的决策通常依赖于通过外部工具采取行动的能力。在商业环境中，这可能意味着不仅要连接到航空订票系统以识别最优惠票价，还要完成预订。在医疗健康领域，这种转变可能涉及从仅仅为患者建议实验室检测，转变为实际在电子健康记录（EHR）系统中下达订单。同样，推荐临床试验的模型可以更进一步，自动检查患者的资格并启动试验入组流程。

代理的实现非常容易。在最基本的层面，它们是LLM和工具在简单脚本中链接在一起的组合。代理核心的LLM并不严格需要任何特定的训练。LLM可以开箱即用，因为它们已经具备推理能力。通过简单地提供适当的提示并告知它们可用的工具，LLM就可以有效地使用这些工具。为了改进这一点，也可以专门训练LLM以使用工具，从而在代理工作流程中表现更好。如今，许多通用LLM也接受了代理工具使用的训练。

代理式AI可以相互连接，形成“多代理系统”。一个LLM将其输出馈送到另一个LLM的实例是这种系统最简单的实现。最早的基于LLM的多代理系统之一是BabyAGI，这是一个在2023年出现的病毒式GitHub仓库，实现非常精简。最近，多代理系统被概念化为多个LLM协同工作。在这样的多代理系统中，每个LLM可以潜在地服务于不同的功能，或代表（或角色扮演）特定的视角。例如，在癌症研究背景下，一个代理可能扮演分子生物学家的角色，另一个扮演临床肿瘤学家，第三个则作为生物统计学家。每个代理都将其专业视角带入问题，它们可以像人类协作研究团队一样辩论和完善方法。在临床背景下，多代理系统可以被概念化用于复杂任务，例如模拟肿瘤委员会。然而，目前尚不清楚执行复杂任务是否严格需要多代理系统，或者它们的所有功能是否可以在一个基于LLM的单一代理中体现。

-03-

二、代理式AI在癌症研究中的应用

最近对代理式AI的研究展示了它们在生物医学研究中的使用概念验证。这些研究表明，传统上需要人类专业知识的复杂任务级联自动化是可行的。尽管前几代AI系统局限于孤立的任务，如分类和预测，但生物医学代理式AI可以整合多个步骤，如文献综述、数据分析和实验设计。代理式AI的应用在生物医学数据科学中尤为先进，通常人类研究者使用计算工具来询问数据集。这种与计算工具的人类交互可以由代理单独或与人类一起执行。然而，研究工作流的代理化远不止数据分析，例如最近实现的基于聊天的基因表达数据探索模型，并且涵盖了广泛的人类研究活动。

任何研究项目的第一步都是构思。这项任务传统上远在AI工具的能力范围之外，但嵌入在代理式AI中的LLM使其可能得以解决。诸如ResearchAgent和BioDiscoveryAgent等框架代表了基于LLM的系统，一旦由用户提示，可以通过综合科学文献和数据集中的知识，自主生成新的研究问题和潜在假设，而无需逐步的人工指导。原则上，此类系统可以以更大的自主性部署，持续监控新出版物，并主动识别现有研究中的空白，而无需等待人类提示。一旦形成研究想法，就必须有效地设计实验。如上文提到的BioDiscoveryAgent等基于LLM的代理，旨在基于生成的假设协助规划复杂的生物实验。其他代理如Coscientist则例证了AI如何自主规划和执行计算实验，包括与肿瘤学相关的药物设计过程。

通过整合这些构思和执行功能，代理式AI可以自动化整个研究工作流。迄今为止，多项概念验证研究表明（半）自主研究代理系统是可以实现的：例如，Agent Laboratory旨在实现从文献分析到发表的通用研究流程自动化。类似地，虚拟实验室概念提出了一个框架，其中AI驱动的“首席研究员”协调一个由专业代理式AI组成的协作团队，每个代理体现不同的专业知识，如化学、生物学或计算科学，作为一个多代理团队一起工作。该系统应用于用例，并展示了成功设计和验证针对新出现的严重急性呼吸综合征冠状病毒2变体的新型纳米抗体疗法。最终，这些发展预示着能够独立管理整个研究生命周期——包括假设生成、实验设计与执行、数据分析和手稿撰写——的完全自主的“AI科学家”的出现。

即使是最初的框架也在迅速发展，值得注意的是，商业开发的系统AI Scientist-v2最近产生了一篇完全由AI生成的手稿，并成功通过同行评审，在一个科学研讨会上发表。未来，此类自主AI系统可能从根本上改变我们进行研究的方式。既然这项技术是可行的，就需要回答新的问题：在代理可以执行一些重复性任务的世界中，我们如何优化科学发现？人类特质如好奇心、创造力或毅力的作用是什么？尽管AI研究代理取得了令人印象深刻的进步，但仍需要证据证明它们能够在不依赖至少来自人类思维的创造性火花的情况下，产生真正新的研究成果。

-04-

三、代理式AI在肿瘤学中的应用

与研究应用并行，代理式AI的一个自然延伸在于肿瘤学的临床实践，其中决策经常依赖于综合来自多个来源的数据。一个突出的例子是多学科肿瘤委员会，人类专家团队在其中协作确定癌症患者的最佳治疗方案，并将此推荐提供给患者。原则上，此类工作流程可以很好地由基于LLM的代理式AI处理。尽管截至2025年，尚无代理式AI系统正式整合到常规肿瘤学实践中，但已发表了几项经过严格验证的概念验证研究，并且学术和商业界对该领域的兴趣正在迅速增长。临床代理的工具任何现代AI技术应用于临床环境的一个关键担忧是幻觉风险，即AI系统捏造或错误的输出。尽管在现代AI系统中，明确定义和已验证任务中的幻觉正变得越来越少，但在某些领域仍然非常成问题。其中一个有问题的领域是数值和算术推理，这是癌症研究和肿瘤学的关键。即使是简单的临床任务，例如比较治疗前和治疗后的肿瘤大小或计算剂量，也需要高准确性和可靠性，而LLM有时会在这里出错。研究表明，通过为LLM配备外部计算工具，如编写和执行代码的能力，或集成专门的计算器如OpenMedCalc，可以显著提高LLM在此类任务上的表现。代理式AI的定义是一个能够访问工具的推理系统——因此，配备计算器的LLM系统是一个具有明确效用的基本代理系统。另一个最近的研究引入了RiskAgent，这是一个专门设计的系统，用于在超过387个风险场景中执行医疗风险预测，涵盖心血管疾病和癌症等多种疾病。RiskAgent并非依赖需要大量计算资源的广泛微调，而是利用其推理能力，在评估医疗风险时访问数百种现有的临床决策工具和基于证据的风险计算器。除了计算器，一系列额外的工具可以进一步增强代理性能。这些包括访问医疗指南和证据库、放射学图像处理模型以及结构化的临床数据库。因此，临床代理式AI的整体效用部分取决于其可访问工具的广度和质量——这在肿瘤学中尤为重要。临床推理代理几个研究小组已经开发了完全集成的平台，将推理能力（如思维链推理）与工具使用相结合，以支持复杂的临床决策。其中一个系统是TxAgent，旨在通过多步推理和实时访问生物医学知识，为癌症治疗提供个体化推荐。它从一个称为工具宇宙的集合中访问工具，使其能够综合跨分子、药代动力学和临床水平的数据，考虑药物相互作用、禁忌症以及患者特定的变量，如年龄、遗传标记和合并症。在验证研究中，TxAgent展示了生成精确、个性化治疗计划的能力，优于标准LLM。相邻的医学领域也探索了代理式AI在结构化临床决策中的应用。一个值得注意的例子是研究“房间里的代理式AI”，该研究使用多代理框架模拟了肝移植选择委员会。在此设置中，不同的LLM承担了专科角色——肝病学、外科、心脏病学和社会工作——以模拟多学科评估过程。这些代理实现了高诊断性能，能够可靠地识别禁忌症，并以高准确度预测生存获益。医学领域也出现了更多多代理诊断框架的例子，例如MedAgent-Pro，它虽然不是癌症特异性的，但展示了适用于肿瘤学应用的可转移原则。对话代理代理式AI在临床环境中部署的关键在于其进行上下文感知对话的能力。理想情况下，此类系统将与患者和医疗专业人员互动。因此，它们不仅必须处理复杂的医疗信息，还必须以同理心和有效的方式行动。其中一个系统，最近由Google发布，被称为清晰医疗智能探索者。它在与患者和医生进行多轮对话的同时，持续更新其对患者病例的内部表征。当信息缺失时，AMIE会主动询问，并有策略地引导后续问题以完成对患者的评估。患者和医生不仅可以以临床文档PDF的形式输入数据，还可以在现实环境中提供文档，例如智能手机拍摄的病变或心电图打印输出照片。AMIE的一个突出特点是其使用长上下文推理能力，能够查阅100份或更多的患者管理指南PDF。与患者和医疗专业人员在现实情况下进行对话，是代理系统区别于传统深度学习系统的核心优势。 诊断与治疗规划最终，代理式AI需要支持医疗专业人员完成做出最终诊断和决定治疗的核心任务。前述的AMIE一旦决定已收集到足够信息，就会提供诊断。在一项涉及25名患者演员的基于聊天的咨询随机双盲研究中，AMIE在基于患者和医生提供的数据做出诊断方面，始终表现相当或优于初级保健医生。一旦确定诊断和潜在的鉴别诊断，下一步就是决定治疗。在肿瘤学中，这通常意味着筛选大量信息。代理凭借其使用迭代搜索等工具的能力，非常适合支持临床医生完成这项耗时的任务：它们可以为个体患者提出基于证据的治疗计划，同时在推理过程中纳入最新的临床指南和文献。它们甚至可以帮助寻找正在积极招募的临床试验：许多癌症患者因为临床试验匹配流程效率低下而错过了最佳治疗机会。代理式AI可以自动分析患者临床特征，并系统地评估试验存储库中的资格标准。通过自动化这一关键但劳动密集的过程，代理式AI可以显著改善患者获得相关实验性治疗的机会，同时减少医生的工作量。这些基于代理的能力不应旨在取代临床医生的判断，而是增强它。通过自动化繁琐的任务，代理可以直接应对关键的临床挑战：它们可以通过主动寻找缺失数据来管理不完整的知识；通过将大量文献和患者数据综合为证据排序的选项来减少医疗不确定性；并为帮助解决临床医生之间的分歧提供一个客观的、数据驱动的基础。理想情况下，这将使临床医生能够将其专业知识和努力专注于高质量的患者护理和复杂的伦理考量，最终监督和责任仍牢牢掌握在人类手中。

-05-结语

我们预计癌症研究和肿瘤学将在未来十年内经历“代理化”，因此，研究人员和医疗专业人员以及我们的机构需要为这一转变做好准备。代理式AI可以解决AI先前的一些局限性，包括AI系统对单一任务的有限关注，以及它们执行行动的能力。尽管在验证、监管和整合方面仍存在挑战，但朝着日益自主的AI协作伙伴发展的轨迹似乎是可行的，并有望提高科学和临床操作的速度，最终有望加速通往科学发现和提供护理的道路。肿瘤学界面临的问题不是代理式AI是否会改变我们的领域，而是我们将如何塑造它们的实施，以在确保安全性和保持对科学和护理都至关重要的人文要素的同时，最大化其益处。

参考文献：

Artificial intelligence agents in cancer research and oncology. Nat Rev Cancer. 2026 Jan 12.

       原文标题 : 未来已来：代理式人工智能在癌症研究与肿瘤学中的应用