用LangGraph构建远程医疗支持代理的真实落地经验

这是一场来自一线实践者的分享，讲述如何在真实医疗场景中构建AI支持代理。演讲者不仅展示了LangGraph/MCP在复杂流程中的价值，也反复强调了边界、责任与工程取舍。

为什么远程医疗支持代理是一道“高风险”命题

这场演讲一开始，Dan Mason 就反复提醒听众要“先把免责声明放在脑子里”。原因很简单：远程医疗不是普通客服，而是直接影响患者行为和治疗依从性的系统。这个项目的目标，并不是替代医生，而是“帮助人们在没有医生直接支持的情况下完成治疗流程”。这条边界贯穿了整个设计思路，也决定了系统不能随意发挥创造力。演讲者明确指出，这类代理首先是流程工具，其次才是对话系统。正因为风险极高，任何一次回答偏差，都可能带来现实后果。这也是为什么他们在设计之初，就把‘能做什么’和‘绝对不能做什么’划得非常清楚。

客户Aila与“已有产品”的现实约束

Dan Mason 提到，这个案例并不是从零开始的AI创业，而是服务于一个已经存在的产品和客户——Aila。系统需要嵌入既有业务，而不是推翻重来。他用一句话概括设计前提：“there's an existing product”。这意味着代理必须适配现有治疗流程、内容结构和合规要求。真正的挑战不在模型，而在如何让AI在既定框架内工作。团队选择把知识、流程和判断逻辑拆分清楚，让代理更多承担‘引导’而不是‘决策’的角色。这样的设计，也让后续支持新治疗方案、新工作流时，不必频繁改动底层代码。

LangGraph、状态与‘一次只记住该记住的事’

在技术层面，演讲的核心落在LangGraph和状态管理上。LangGraph可以理解为一种用图结构管理多步Agent流程的工具，特别适合有明确阶段和分支的场景。现场有人直接提问：“Did you ever run into issues with state？” Dan 的回答非常坦率：状态一定是问题，只是看你怎么限制它。他们刻意避免让模型‘在某一时刻记住所有东西’，而是让每一步只携带当前必须的信息。正如他所说，“that whole thing is going to be in its memory at one moment”是需要被避免的。对医疗代理来说，清晰、可控，比‘聪明’更重要。

评估、迭代，以及一句意味深长的判断

在后半段的问答中，话题自然转向评估（evals）。当有人提到大规模文档和复杂行为时，Dan 笑着说：“Perfect time to talk about evals。”他们并不追求一次性完美，而是通过持续评估，确认代理是否‘能把该做的事做到位’。有意思的是，在谈到系统稳定性时，他用了非常工程师式的一句话：“it just kind of works.” 这并不是炫耀，而是一种克制后的结果——当边界清晰、流程合理、评估到位时，系统反而显得朴素而可靠。

总结

这场分享最有价值的地方，并不在某个炫目的技术细节，而在一整套面对高风险场景的思考方式。远程医疗支持代理的关键不是‘能不能更聪明’，而是‘会不会越界’。通过LangGraph来约束流程、通过状态管理降低不确定性、通过评估保证行为稳定，这些经验对任何严肃行业的AI应用都极具参考意义。对开发者来说，这既是一份技术案例，也是一堂关于责任感的工程课。

关键词： 远程医疗， LangGraph， AI代理， 状态管理， 评估机制

事实核查备注： 演讲者：Dan Mason；案例客户：Aila；技术关键词：LangGraph、MCP、state（状态）、memory（上下文）、evals（评估）；原话引用包括："so a few disclaimers up front"、"there's an existing product"、"Did you ever run into issues with state？"、"it just kind of works."