MARC v1: An Open-Source Multi-Agent Framework for Clinical AI Reasoning and Coordination
MARC v1：面向临床AI推理与协调的开源多智能体框架
College of Engineering, University of California, Davis · Perelman School of Medicine, University of Pennsylvania · School of Engineering and Applied Science, University of Pennsylvania · College of Computing and Informatics, Drexel University · UC Davis Graduate School of Management, Davis, CA
开源多智能体框架MARC，用确定性角色编排替代单体LLM提示，实现可追踪的临床推理与自动提示生成
📌 工作参考价值
- 角色化多智能体流水线：将复杂推理任务拆解为提取、推理、生成、评估四个阶段，每个阶段独立Agent，便于错误定位和迭代。电商搜索/推荐中的query解析、意图理解、商品属性抽取、客服文案生成等长链路任务可直接套用这种确定性编排。
- Decomposer模块：用自然语言任务描述自动生成各Agent的prompt，大幅降低prompt工程成本，适合业务快速扩展新场景或调整流程。
- YAML配置+模型无关+本地CPU部署：架构上将流程与模型解耦，支持灵活切换底层LLM（API或本地模型），减少代码改动，便于算法团队快速实验和部署。
- 显式上下文传递与可追踪中间输出：多步骤生成任务（如推荐理由、广告创意）中，中间输出可审计、可归因，有利于线上效果分析和调试。
动机：单体LLM提示在临床推理中存在可解释性差、失败难归因的问题，尤其在多步骤临床问答场景中，需要更结构化的协作推理框架。
方法关键点： MARC（Multi-Agent Reasoning and Coordination）框架用确定性多智能体编排取代单体LLM提示。系统协调四类角色专业化Agent：extraction、reasoning、answer generation、evaluation，Agent间通过显式上下文传递和可追踪中间输出衔接，支持阶段级失败归因。 引入Decomposer模块，从一段自然语言任务描述自动生成各Agent的专用prompt，消除手动prompt engineering。 框架完全通过YAML配置，无需代码修改，支持API和本地CPU兼容部署，模型无关且可解释，面向非编程背景的临床领域专家。
关键结果数字：论文摘要未报告具体基准测试分数，主要贡献为开源框架本身，代码公开于GitHub。