知识卡片：HealthClaw——纵向个人健康管理的自进化智能体

一句话结论
HealthClaw 是一种开源智能体架构，通过分离共享安全规则与隐私纵向记忆，能够在多次交互中自动更新用户画像、流程和经验记录，将单次查询的答案准确率从 0.2% 提升至 45.7%，同时将提示端上下文暴露量降低 71.7%，并在隐私探针中产生更少的不安全披露。

事件概述
个人健康管理涉及反复多次的交互，但现有健康 AI 系统大多将每次请求孤立处理。研究团队开发了 HealthClaw，一种能够随着用户日常习惯、偏好、测量数据和风险变化而持续更新支持的自进化智能体。该架构将共享安全规则与医学知识从包含画像事实、可复用流程和事件痕迹的私密纵向记忆中分离出来，并在每次交互后通过归纳机制决定哪些信息应该更新画像、修订流程、保留为事件痕迹或排除。研究使用一个合成的全年基准测试和九个 200 例生物医学任务进行了评估。

方法/产品要点

• 架构分离：共享层（安全规则与医学知识）与私密纵向记忆层（用户画像、可复用流程、事件痕迹）彼此独立。
• 自进化机制：每个交互片段后执行“归纳”，判断新信息应归属哪一类（更新画像、修订流程、保留为事件痕迹、排除）。
• 开源可用：代码公开于 https://github.com/HC-Guo/HealthClaw，支持社区复现与改进。
• 评估设计：使用合成的一年长程基准 + 九项生物医学任务（各 200 例）进行离线测试。

主要结果

• 纵向支持探针（900 次）：单次查询提示的准确率仅为 0.2%，HealthClaw 达到 45.7%；相比完整历史提示，提示端上下文暴露量降低 71.7%。
• 隐私探针（100 次）：HealthClaw 在隐私感知答案质量上更高，且不安全披露数量少于两个基线方法。
• 生物医学任务：任务特定主要指标的平均绝对增益为 27.0 个百分点；经错误发现率校正后，其中七项增益仍然显著。
• 以上均为离线基准测试结果，临床有效性尚需前瞻性评估。

为什么重要

• 解决了健康 AI 缺乏“记忆延续性”的核心痛点，使智能体能在长期照护中记住用户变化。
• 通过架构分离同时提升了准确性和隐私保护，这是现有方法难以兼顾的。
• 相比已有相关卡片（如 GaP 的多智能体自动化、奶牛场电池管理、自利代理人市场模拟），HealthClaw 专注于纵向个人健康管理这一具体应用场景，且首次系统展示了“自进化记忆”在健康领域的离线效果。

局限与不确定性

• 所有评估均为离线仿真（合成基准 + 离线生物医学任务），实际临床环境中的效果尚待前瞻性研究验证。
• 归纳机制的长期稳定性和可解释性未经临床专家定性分析。
• 合成数据可能无法完全模拟真实用户行为模式的复杂性。
• 隐私保护的具体度量标准（如“不安全披露”的定义）在材料中未详细展开，需参考论文正文。

可用于图书/PPT/简报的角度

• 未来健康 AI 的设计方向：从“一次性问答”转向“持续记忆与自适应”的智能助手。
• 隐私与准确性的平衡案例：通过分离记忆层实现更高隐私标准的同时提升性能。
• 开源研究推动临床转化：HealthClaw 作为基础架构，可为数字健康创业或医院信息化提供参考原型。

原始材料

• 英文标题：A Self-Evolving Agent for Longitudinal Personal Health Management
• 英文关键词：HealthClaw, self-evolving agent, longitudinal personal health management, privacy-aware memory
• 来源：arXiv 2607.13940v1, https://arxiv.org/abs/2607.13940v1
• 代码仓库：https://github.com/HC-Guo/HealthClaw