STAM：面向纵向临床智能体的状态转移感知记忆

基于摘要分析。该研究面向处理纵向临床记录的 LLM 智能体，解决累积记忆难以判断信息是否仍有效、覆盖记忆又会丢失治疗历史证据的问题。作者提出 STAM，以状态转移感知的记忆管理同时保留当前临床状态和解释其变化所需的历史信息。 核心机制是在新临床条目到达时，结合语义检索与类型化临床关系识别受影响的记忆，将当前有效信息维护在 Active 中，将已被替代或已解决的信息维护在 History 中；读取时通过依赖查询的门控选择性提供历史记忆。其贡献重点是记忆写入与读取过程中的状态管理，而非仅提高检索相关性。具体关系类型、门控实现、训练方式及损失形式尚未验证。 作者报告，在四个纵向临床基准上，使用下游问答、直接状态维护诊断及证据长度匹配的对照评估 STAM。在 MedMemoryBench 上，完整写入流程将 supersession-pair recall（替代关系对召回指标）的报告值从 28.6 提升至 53.9，并相较确定性状态维护规则减少错误归档；摘要未明确该指标的单位及数值起点所对应的具体配置。在证据长度匹配的成对比较中，作者报告相较记忆与检索基线有六项显著改善，且没有显著下降；具体任务、基线、检验方法及效应量尚未验证，不能据此推断所有任务均有提升。 该方法依赖能够表达状态变化的纵向临床条目与临床关系，其研究对象不是 EEG 信号解码或 BCI 控制。摘要未提供足够具体的 EEG/BCI 对应机制，因此不提出迁移效果或复现实验建议。全文复核需关注基准构成与划分、状态替代和解决的标注规则、错误归档的判定、证据长度匹配方式，以及实验协议、消融及统计信息；代码与复现条件尚未验证。