知识卡片：MARC v1：开源多智能体临床AI推理与协调框架

一句话结论

MARC v1 是一个开源、模型无关的确定性多智能体编排框架，用角色分工和可追踪中间输出替代单体 LLM 提示，面向临床推理，并支持 YAML 配置与 CPU 本地部署。

事件概述或研究问题

论文（arXiv:2608.13476v1）提出 Multi-Agent Reasoning and Coordination（MARC），旨在解决临床 AI 推理中单体大模型提示不可解释、故障难以定位、需要手动提示工程等问题。MARC 通过协调抽取、推理、答案生成和评估等角色专门化智能体，显式传递上下文并保留可追踪的中间结果，从而支持分阶段失败归因。

方法/产品要点

• 确定性多智能体编排：不是自由对话式多智能体，而是按固定流程协调“抽取、推理、答案生成、评估”等角色。
• 显式上下文传递与可追踪中间输出：中间结果可审计，便于定位失败发生在哪个阶段。
• Decomposer 模块：输入自然语言任务描述，自动生成任务特定的智能体提示，免除手动提示工程。
• 部署灵活：支持 API 模型和本地 CPU 兼容部署；全部配置通过 YAML 完成，无需修改代码。
• 设计目标：模型无关、可解释、对无编程背景的临床领域专家友好。

主要结果或产业意义

本文发布的是开源框架，代码位于 https://github.com/Penn-RAIL/MARC-v1。材料中未提供实验评估数据，因此其临床效果和性能优势待核实。产业意义上，MARC 为医疗 AI 提供了无需写代码即可定制多智能体流程的开放工具，有望降低临床 AI 应用的门槛。

为什么重要

MARC 将多智能体编排从自由对话转向确定性流水线，并强调可解释性与失败归因，这是临床 AI 落地中的关键需求。其 Decomposer 免去手动提示设计，YAML 配置对非程序员友好，扩展了多智能体框架在专业领域的可用性。

局限与不确定性

• 论文摘要未提供基准测试结果、临床验证或与其他方法的定量对比。
• Decomposer 生成提示的质量、各智能体在不同模型上的表现差异、以及真实临床环境中的实用性均待核实。

可用于图书/PPT/简报的角度

1. 从“黑盒提示”到“白盒多智能体流水线”：MARC 如何让临床 AI 推理过程可追踪。
2. 让临床医生自己配置 AI：YAML 配置与 Decomposer 的作用。
3. 开源多智能体框架的设计模式：角色分工、确定性编排、失败归因。
4. 医疗 AI 的负责任落地：可解释性、模型无关、CPU 可部署。

与既有脉络的关系

区别于 WebSwarm 的递归搜索多智能体编排，MARC 专注临床推理的确定性阶段划分；区别于 Deep Interaction 的人机推理编辑，MARC 是智能体间的自动化流程；不同于 MedFailBench 的医疗 AI 安全基准测试，MARC 是可供部署的框架。其增量在于引入 Decomposer 自动生成提示词，并以无代码 YAML 配置支持临床专家自定义。

原始材料

• 英文标题：MARC v1: An Open-Source Multi-Agent Framework for Clinical AI Reasoning and Coordination
• arXiv ID：2608.13476v1
• 作者：Saisha Shetty, Satvik Tripathi, Austin Lin, Colin Zhao, Theodore Kim, Don Enwerem, Jacinta Arnold, Shahriar Faghani, Tessa S Cook
• 发布时间：2026-08-13
• 英文关键词（据标题与摘要提炼）：Multi-Agent Framework; Clinical Reasoning; Coordination; Open-Source; Interpretability
• 原始来源：https://arxiv.org/abs/2608.13476v1