{"schema_version":1,"id":"article:ant-afu-google-pha-agent-app","kind":"article","slug":"ant-afu-google-pha-agent-app","title":"「蚂蚁阿福」& Google PHA：从产品到技术架构，Agent App与传统App的差异","author":"晨旭","url":"https://chenxu.xin/writing/ant-afu-google-pha-agent-app","date":"2026-01-17","updated":"2026-01-17","description":"用蚂蚁阿福的产品拆解回答 What，用 Google Personal Health Agent 论文回答 How，再用一个冰山模型说清 Agent App 和传统 App 的代差在哪。","position":null,"group":null,"series":"入门系列文章","tags":["agent","product-teardown","ai-pm"],"publication_status":"public","maturity":"evergreen","body_sha256":"634acd391cdbb5dcac2bbfb26e70d71054ce2c8058f12b6ff5c5046b6f637739","paragraph_rule":"src/lib/paragraphs.mjs@1","paragraphs":[{"id":"p1","kind":"paragraph","text":"「AI + 大健康」一直是一个充满挑战的领域。最近想要尝试探索，并以此练习自己的 Agent 产品思维。","raw":"「AI + 大健康」一直是一个充满挑战的领域。最近想要尝试探索，并以此练习自己的 Agent 产品思维。"},{"id":"p2","kind":"paragraph","text":"在体验蚂蚁阿福，试图看懂它的产品逻辑时，我一直在思考一个问题：如此丝滑的体验，底层的技术到底是如何实现的呢？背后是有一套通用的 Agent 范式吗？","raw":"在体验蚂蚁阿福，试图看懂它的产品逻辑时，我一直在思考一个问题：如此丝滑的体验，底层的技术到底是如何实现的呢？背后是有一套通用的 Agent 范式吗？"},{"id":"p3","kind":"paragraph","text":"为此，我找到了谷歌发布的一篇关于 Personal Health Agent（PHA）的架构论文。","raw":"为此，我找到了谷歌发布的一篇关于 Personal Health Agent（PHA）的架构论文。"},{"id":"p4","kind":"paragraph","text":"如果说蚂蚁阿福是前端的产品展示（What），那么 Google PHA 论文则揭示了背后的技术架构（How）。这篇文章是我尝试把这两者打通的思考：从产品表象深入到技术实现，以此窥探从传统 App 进化到 Agent App 的全过程。","raw":"如果说蚂蚁阿福是前端的产品展示（What），那么 Google PHA 论文则揭示了背后的技术架构（How）。这篇文章是我尝试把这两者打通的思考：从产品表象深入到技术实现，以此窥探从传统 App 进化到 Agent App 的全过程。"},{"id":"p5","kind":"heading","text":"一、「蚂蚁阿福」Agent 产品拆解","raw":"## 一、「蚂蚁阿福」Agent 产品拆解"},{"id":"p6","kind":"paragraph","text":"未来的 Agent App 是什么样的呢？","raw":"未来的 Agent App 是什么样的呢？"},{"id":"p7","kind":"paragraph","text":"很长一段时间里，我都陷入了一个思维误区，认为 Agent 就等于 Chatbot，界面越简单越好，最好只有一个对话框，其他什么都不要。","raw":"很长一段时间里，我都陷入了一个思维误区，认为 Agent 就等于 Chatbot，界面越简单越好，最好只有一个对话框，其他什么都不要。"},{"id":"p8","kind":"paragraph","text":"但蚂蚁阿福给我展示了一个更有说服力的答案：Agent 不应只是一个聊天的窗口，更应该是一个智能服务的容器。需要重新用 Agent 思维把医疗健康场景做一遍，实现从「人找服务」到「服务找人」的跃迁。","raw":"但蚂蚁阿福给我展示了一个更有说服力的答案：Agent 不应只是一个聊天的窗口，更应该是一个智能服务的容器。需要重新用 Agent 思维把医疗健康场景做一遍，实现从「人找服务」到「服务找人」的跃迁。"},{"id":"p9","kind":"heading","text":"1、架构思维：Agent 作为场景容器","raw":"### 1、架构思维：Agent 作为场景容器"},{"id":"p10","kind":"paragraph","text":"如果只用一个通用的对话框来解决所有问题，这可能会导致对话发散，用户也不知道这个 AI 到底能干嘛。","raw":"如果只用一个通用的对话框来解决所有问题，这可能会导致对话发散，用户也不知道这个 AI 到底能干嘛。"},{"id":"p11","kind":"paragraph","text":"蚂蚁阿福的做法是拆分出多个独立的智能体：","raw":"蚂蚁阿福的做法是拆分出多个独立的智能体："},{"id":"p12","kind":"list","text":"- AI 诊室：专门负责问诊，流程严谨。从症状描述、多轮追问、给出预判，到最后直接弹出挂号卡片，完成了一个从咨询到交易的闭环。\n- AI 找医生：结合传统 Tab 筛选，专门解决找医生的难题。\n- 药管家：一个工具型智能体，负责识别药盒、管理药箱、提醒吃药，甚至连接购药服务。\n- 健康小目标：专门负责长期的打卡和监督。针对慢病管理或健康习惯，它变身教练，帮用户拆解目标，每天监督打卡。","raw":"- **AI 诊室**：专门负责问诊，流程严谨。从症状描述、多轮追问、给出预判，到最后直接弹出挂号卡片，完成了一个从咨询到交易的闭环。\n- **AI 找医生**：结合传统 Tab 筛选，专门解决找医生的难题。\n- **药管家**：一个工具型智能体，负责识别药盒、管理药箱、提醒吃药，甚至连接购药服务。\n- **健康小目标**：专门负责长期的打卡和监督。针对慢病管理或健康习惯，它变身教练，帮用户拆解目标，每天监督打卡。"},{"id":"p13","kind":"paragraph","text":"每一个 Agent 就是一个被封装好的垂直应用，它有独立的 Prompt、独立的工具集（Tools）和独立的记忆（Memory）。这会让用户感觉到自己不是在用 App，而是在和医生、药师、健康教练对话。","raw":"每一个 Agent 就是一个被封装好的垂直应用，它有独立的 Prompt、独立的工具集（Tools）和独立的记忆（Memory）。这会让用户感觉到自己不是在用 App，而是在和医生、药师、健康教练对话。"},{"id":"p14","kind":"heading","text":"2、融合思维：LUI 与 GUI 共存","raw":"### 2、融合思维：LUI 与 GUI 共存"},{"id":"p15","kind":"paragraph","text":"在体验「AI 找医生」时就可以看到 LUI（语言交互）与 GUI（图形交互）的完美融合：用户可以用对话描述病情，但筛选医生时，它依然保留了传统的科室列表、医生卡片、筛选 Tab。","raw":"在体验「AI 找医生」时就可以看到 LUI（语言交互）与 GUI（图形交互）的完美融合：用户可以用对话描述病情，但筛选医生时，它依然保留了传统的科室列表、医生卡片、筛选 Tab。"},{"id":"p16","kind":"list","text":"- 对于描述症状，自然语言效率最高。\n- 但对于「从 10 个医生里选一个」，列表对比效率最高。","raw":"- 对于描述症状，自然语言效率最高。\n- 但对于「从 10 个医生里选一个」，列表对比效率最高。"},{"id":"p17","kind":"paragraph","text":"这就是「双模态」设计要解决的问题：在任务流的哪一个环节用 Chat，哪一个环节用卡片，哪一个环节用按钮，才能实现效率的最大化。","raw":"这就是「双模态」设计要解决的问题：在任务流的哪一个环节用 Chat，哪一个环节用卡片，哪一个环节用按钮，才能实现效率的最大化。"},{"id":"p18","kind":"heading","text":"3、闭环思维：从「连接工具」到「执行专家」","raw":"### 3、闭环思维：从「连接工具」到「执行专家」"},{"id":"p19","kind":"paragraph","text":"以前的医疗产品在告诉用户去哪里挂号、跳转网页之后就不管了。但蚂蚁阿福利用其生态优势展示了 Agent 的核心定义：感知、决策、执行。","raw":"以前的医疗产品在告诉用户去哪里挂号、跳转网页之后就不管了。但蚂蚁阿福利用其生态优势展示了 Agent 的核心定义：感知、决策、执行。"},{"id":"p20","kind":"list","text":"- 感知：多模态输入（拍药盒、拍体检报告、拍皮肤患处）。\n- 决策：基于医疗大模型的推理（是看皮肤科还是过敏科）。\n- 执行：直接在 App 内调用支付宝、医疗健康的接口，完成挂号、买药、支付。","raw":"- **感知**：多模态输入（拍药盒、拍体检报告、拍皮肤患处）。\n- **决策**：基于医疗大模型的推理（是看皮肤科还是过敏科）。\n- **执行**：直接在 App 内调用支付宝、医疗健康的接口，完成挂号、买药、支付。"},{"id":"p21","kind":"paragraph","text":"Agent ≠ 聊天机器人，执行力才是灵魂。","raw":"Agent ≠ 聊天机器人，执行力才是灵魂。"},{"id":"p22","kind":"heading","text":"4、情感思维的注入：人格化与信任感","raw":"### 4、情感思维的注入：人格化与信任感"},{"id":"p23","kind":"paragraph","text":"如果问医疗产品最难的是什么？是信任。","raw":"如果问医疗产品最难的是什么？是信任。"},{"id":"p24","kind":"paragraph","text":"蚂蚁阿福建立了一个「阿福」的 IP 形象，并引入了真实医生的「AI 分身」，绑定真实专家的姓名、头衔、知识库，甚至会展示医学思考路径（引用了什么文献，依据是什么）。","raw":"蚂蚁阿福建立了一个「阿福」的 IP 形象，并引入了真实医生的「AI 分身」，绑定真实专家的姓名、头衔、知识库，甚至会展示医学思考路径（引用了什么文献，依据是什么）。"},{"id":"p25","kind":"paragraph","text":"在 Agent 发展的早期，这种「人格化」设计正如乔布斯当年提出的「拟物化」：用木纹书架让用户适应电子阅读。阿福的白大褂形象和专家头衔，就是用户对 AI 逐步走向信任的桥梁。","raw":"在 Agent 发展的早期，这种「人格化」设计正如乔布斯当年提出的「拟物化」：用木纹书架让用户适应电子阅读。阿福的白大褂形象和专家头衔，就是用户对 AI 逐步走向信任的桥梁。"},{"id":"p26","kind":"paragraph","text":"这是一层必要的温情外衣。","raw":"这是一层必要的温情外衣。"},{"id":"p27","kind":"paragraph","text":"但随着 AI 的不断进化，这层人类的皮肤终会脱落。未来的 Agent 将不再局限于模拟人类医生，而是一个纯粹的理性体：基于数据的绝对理性与极致执行。那时我们将不再向一个虚拟人求助，而是直接向医学真理提问。","raw":"但随着 AI 的不断进化，这层人类的皮肤终会脱落。未来的 Agent 将不再局限于模拟人类医生，而是一个纯粹的理性体：基于数据的绝对理性与极致执行。那时我们将不再向一个虚拟人求助，而是直接向医学真理提问。"},{"id":"p28","kind":"paragraph","text":"那么，在未来到来之前，我们需要构建怎样的技术地基呢？Google PHA 论文向我们揭示了这个更远的未来。","raw":"那么，在未来到来之前，我们需要构建怎样的技术地基呢？Google PHA 论文向我们揭示了这个更远的未来。"},{"id":"p29","kind":"heading","text":"二、Google PHA 架构与多智能体协同","raw":"## 二、Google PHA 架构与多智能体协同"},{"id":"p30","kind":"paragraph","text":"论文开篇便直击痛点：个人健康问题具有极高的多模态和上下文依赖属性。","raw":"论文开篇便直击痛点：个人健康问题具有极高的多模态和上下文依赖属性。"},{"id":"p31","kind":"list","text":"- 数据异构：既有结构化的时序数据（心率、步数），又有非结构化的文本（病历、主诉）。\n- 需求复杂：用户的问题往往是模糊的，比如「我怎样才能睡得更好？」这需要从数据分析到医学推理，再到行动建议的完整闭环。","raw":"- **数据异构**：既有结构化的时序数据（心率、步数），又有非结构化的文本（病历、主诉）。\n- **需求复杂**：用户的问题往往是模糊的，比如「我怎样才能睡得更好？」这需要从数据分析到医学推理，再到行动建议的完整闭环。"},{"id":"p32","kind":"paragraph","text":"此外，在医疗场景下，单一的 LLM 往往存在两个致命弱点：","raw":"此外，在医疗场景下，单一的 LLM 往往存在两个致命弱点："},{"id":"p33","kind":"list","text":"- 幻觉风险：一本正经地胡说八道，这在医疗领域是不可接受的。\n- 能力割裂：一个能安抚情绪的模型，可能算不对心率趋势；一个能查阅文献的模型，可能不懂如何激励用户去跑步。","raw":"- **幻觉风险**：一本正经地胡说八道，这在医疗领域是不可接受的。\n- **能力割裂**：一个能安抚情绪的模型，可能算不对心率趋势；一个能查阅文献的模型，可能不懂如何激励用户去跑步。"},{"id":"p34","kind":"paragraph","text":"因此，Google 提出了一个多智能体架构，包含一个协调器和三个核心的专家智能体。","raw":"因此，Google 提出了一个多智能体架构，包含一个协调器和三个核心的专家智能体。"},{"id":"p35","kind":"heading","text":"1、数据科学智能体：一个会写代码的 Agent","raw":"### 1、数据科学智能体：一个会写代码的 Agent"},{"id":"p36","kind":"paragraph","text":"它能直接读取用户的 Apple Watch 原始数据（CSV、JSON），通过编写 Python 脚本来分析相关性。","raw":"它能直接读取用户的 Apple Watch 原始数据（CSV、JSON），通过编写 Python 脚本来分析相关性。"},{"id":"p37","kind":"list","text":"- Stage 1（Plan）：将用户的自然语言（「我最近是不是运动越来越少了？」）转化为结构化的统计分析计划。\n- Stage 2（Code）：生成 Python 代码，在沙箱环境中执行，并具备自修正机制——如果代码报错，会将错误信息回传给 LLM 进行 Debug，最多重试 5 次。","raw":"- **Stage 1（Plan）**：将用户的自然语言（「我最近是不是运动越来越少了？」）转化为结构化的统计分析计划。\n- **Stage 2（Code）**：生成 Python 代码，在沙箱环境中执行，并具备自修正机制——如果代码报错，会将错误信息回传给 LLM 进行 Debug，最多重试 5 次。"},{"id":"p38","kind":"paragraph","text":"场景还原：用户问「我最近睡眠不好和血压有关系吗？」","raw":"场景还原：用户问「我最近睡眠不好和血压有关系吗？」"},{"id":"p39","kind":"paragraph","text":"它不是简单地调用 web search，而是直接拉取用户过去 30 天的睡眠数据和血压录入记录，跑一个皮尔逊相关系数分析，然后告诉用户：「数据显示，当你深度睡眠少于 1 小时，次日收缩压平均升高 5mmHg。」","raw":"它不是简单地调用 web search，而是直接拉取用户过去 30 天的睡眠数据和血压录入记录，跑一个皮尔逊相关系数分析，然后告诉用户：「数据显示，当你深度睡眠少于 1 小时，次日收缩压平均升高 5mmHg。」"},{"id":"p40","kind":"paragraph","text":"它不是靠 LLM 脑补数值，而是真正在跑代码算统计学显著性。","raw":"它不是靠 LLM 脑补数值，而是真正在跑代码算统计学显著性。"},{"id":"p41","kind":"heading","text":"2、领域专家智能体：严谨的医学顾问","raw":"### 2、领域专家智能体：严谨的医学顾问"},{"id":"p42","kind":"paragraph","text":"在 Google 的论文中，DE Agent 连接了 PubMed、NCBI 等权威医学数据库，并具备极强的逻辑推理能力：","raw":"在 Google 的论文中，DE Agent 连接了 PubMed、NCBI 等权威医学数据库，并具备极强的逻辑推理能力："},{"id":"p43","kind":"list","text":"- ReAct 范式：采用 Reason-Investigate-Examine 循环。\n- 工具调用：挂载了 Google Search、NCBI、Data Commons 等权威医学 API。\n- 上下文感知：不仅仅检索知识，还会根据用户的特征（如年龄、性别）和既往病史对知识进行个性化过滤。","raw":"- **ReAct 范式**：采用 Reason-Investigate-Examine 循环。\n- **工具调用**：挂载了 Google Search、NCBI、Data Commons 等权威医学 API。\n- **上下文感知**：不仅仅检索知识，还会根据用户的特征（如年龄、性别）和既往病史对知识进行个性化过滤。"},{"id":"p44","kind":"paragraph","text":"它不仅是做 RAG，还有自我反思机制。如果信息不足，它不会瞎猜，而是会生成追问：「具体是左腹还是右腹痛？」","raw":"它不仅是做 RAG，还有自我反思机制。如果信息不足，它不会瞎猜，而是会生成追问：「具体是左腹还是右腹痛？」"},{"id":"p45","kind":"heading","text":"3、健康教练智能体：系统的心理咨询师","raw":"### 3、健康教练智能体：系统的心理咨询师"},{"id":"p46","kind":"paragraph","text":"这个 Agent 接受过动机访谈的专门训练，负责多轮对话、目标设定和动机激发。","raw":"这个 Agent 接受过动机访谈的专门训练，负责多轮对话、目标设定和动机激发。"},{"id":"p47","kind":"list","text":"- 动机访谈：Prompt 设计融入了心理学技巧，不是生硬地给建议，而是通过积极倾听和背景澄清引导用户。\n- 模块化状态机：内部细分为个性化教练模块、建议模块和总结模块，动态判断何时该倾听，何时该给出 SMART（具体、可衡量、可达成、相关、有时限）的目标建议。","raw":"- **动机访谈**：Prompt 设计融入了心理学技巧，不是生硬地给建议，而是通过积极倾听和背景澄清引导用户。\n- **模块化状态机**：内部细分为个性化教练模块、建议模块和总结模块，动态判断何时该倾听，何时该给出 SMART（具体、可衡量、可达成、相关、有时限）的目标建议。"},{"id":"p48","kind":"paragraph","text":"场景还原：用户说「今天太累了，不想去跑步了。」","raw":"场景还原：用户说「今天太累了，不想去跑步了。」"},{"id":"p49","kind":"paragraph","text":"此时它不会只是简单地加油打气。它会先调用后台数据，发现用户昨晚深睡不足，于是基于生理状态给出建议：「我看到你昨晚深睡只有 40 分钟，现在的疲惫是身体在求救。强行跑步反而可能受伤。不如我们把今天的『5 公里跑』调整为『15 分钟冥想』？既能算作打卡，又能帮你恢复精力。你觉得怎么样？」","raw":"此时它不会只是简单地加油打气。它会先调用后台数据，发现用户昨晚深睡不足，于是基于生理状态给出建议：「我看到你昨晚深睡只有 40 分钟，现在的疲惫是身体在求救。强行跑步反而可能受伤。不如我们把今天的『5 公里跑』调整为『15 分钟冥想』？既能算作打卡，又能帮你恢复精力。你觉得怎么样？」"},{"id":"p50","kind":"paragraph","text":"它关注的不是机械的指标达成，而是用户当下的最佳状态。","raw":"它关注的不是机械的指标达成，而是用户当下的最佳状态。"},{"id":"p51","kind":"heading","text":"4、核心大脑：Orchestrator 与协作流","raw":"### 4、核心大脑：Orchestrator 与协作流"},{"id":"p52","kind":"paragraph","text":"拥有了三个专家还不够，PHA 真正的技术护城河在于其 Orchestrator（协调器）的设计。","raw":"拥有了三个专家还不够，PHA 真正的技术护城河在于其 Orchestrator（协调器）的设计。"},{"id":"p53","kind":"paragraph","text":"当用户输入一句话，首先接待用户的便是 Orchestrator。它不负责具体看病，它的任务是理解意图和分发任务：","raw":"当用户输入一句话，首先接待用户的便是 Orchestrator。它不负责具体看病，它的任务是理解意图和分发任务："},{"id":"p54","kind":"list","text":"- 意图识别：首先分析用户 Query，将其分类为四种关键用户旅程——知识问答、数据洞察、健康建议、症状评估。\n- 动态分发：根据意图，动态指定一个主 Agent 和若干辅助 Agent。比如用户问「如何根据我上周的数据改善睡眠？」，主 Agent 是教练（给建议），辅助 Agent 是数据科学家（先去拉取数据分析）。\n- 查询反思：这是最精彩的一步。在回答用户之前，主 Agent 会进行自我反思——「我现在的信息够了吗？」「我是否需要去查一下他的 Fitbit 数据，而不是傻傻地问用户『你昨晚睡了几小时』？」这一步大大降低了用户的输入负担，实现了数据多跑路、用户少打字。\n- 记忆更新：每一轮对话结束后，关键实体、用户偏好和生成的洞察会被写入长期记忆，确保持续服务的连贯性。","raw":"- **意图识别**：首先分析用户 Query，将其分类为四种关键用户旅程——知识问答、数据洞察、健康建议、症状评估。\n- **动态分发**：根据意图，动态指定一个主 Agent 和若干辅助 Agent。比如用户问「如何根据我上周的数据改善睡眠？」，主 Agent 是教练（给建议），辅助 Agent 是数据科学家（先去拉取数据分析）。\n- **查询反思**：这是最精彩的一步。在回答用户之前，主 Agent 会进行自我反思——「我现在的信息够了吗？」「我是否需要去查一下他的 Fitbit 数据，而不是傻傻地问用户『你昨晚睡了几小时』？」这一步大大降低了用户的输入负担，实现了数据多跑路、用户少打字。\n- **记忆更新**：每一轮对话结束后，关键实体、用户偏好和生成的洞察会被写入长期记忆，确保持续服务的连贯性。"},{"id":"p55","kind":"paragraph","text":"Google PHA 实际上构建了一套「数字生命系统」。在医疗这种容错率极低的领域，一个什么都懂一点但经常胡说八道的 Chatbot 远远不够，需要一个各司其职的专家会诊团。","raw":"Google PHA 实际上构建了一套「数字生命系统」。在医疗这种容错率极低的领域，一个什么都懂一点但经常胡说八道的 Chatbot 远远不够，需要一个各司其职的专家会诊团。"},{"id":"p56","kind":"paragraph","text":"虽然论文指出目前这只是一个 Research Prototype，但这种「后台极度复杂，前台极度简单」的处理方式，或许就是 Agent 应用的终极形态。","raw":"虽然论文指出目前这只是一个 Research Prototype，但这种「后台极度复杂，前台极度简单」的处理方式，或许就是 Agent 应用的终极形态。"},{"id":"p57","kind":"paragraph","text":"当看懂了这套架构，再回过头看传统的医疗 App，会发现它们之间像是存在一种物种层面的代差。","raw":"当看懂了这套架构，再回过头看传统的医疗 App，会发现它们之间像是存在一种物种层面的代差。"},{"id":"p58","kind":"heading","text":"三、Agent 应用与传统 App 的本质区别","raw":"## 三、Agent 应用与传统 App 的本质区别"},{"id":"p59","kind":"paragraph","text":"从阿福的产品体验到谷歌的技术架构，我逐渐意识到 Agent App 绝不是给传统 App 加上一个 LLM 对话框这么简单，这是一次从交互形式到系统架构的彻底重构。","raw":"从阿福的产品体验到谷歌的技术架构，我逐渐意识到 Agent App 绝不是给传统 App 加上一个 LLM 对话框这么简单，这是一次从交互形式到系统架构的彻底重构。"},{"id":"p60","kind":"paragraph","text":"可以用一个冰山模型来概括。","raw":"可以用一个冰山模型来概括。"},{"id":"p61","kind":"heading","text":"1、交互层（冰山之上）：从「导航」进化为「意图」","raw":"### 1、交互层（冰山之上）：从「导航」进化为「意图」"},{"id":"p62","kind":"paragraph","text":"传统 App 是菜单式的：它把功能陈列在复杂的菜单里，把用户当成操作员。要挂号，就必须懂它的层级结构（首页 → 科室 → 医生）。此时 App 是懒惰的，只有图形界面，用户必须自己点击来拆解任务。","raw":"**传统 App 是菜单式的**：它把功能陈列在复杂的菜单里，把用户当成操作员。要挂号，就必须懂它的层级结构（首页 → 科室 → 医生）。此时 App 是懒惰的，只有图形界面，用户必须自己点击来拆解任务。"},{"id":"p63","kind":"paragraph","text":"Agent App 是生成式的：它把用户当成老板。只需要表达意图（「我头疼」），界面不再是固定的，而是根据需求动态生成的（LUI 确立意图 + GUI 高效展示）。","raw":"**Agent App 是生成式的**：它把用户当成老板。只需要表达意图（「我头疼」），界面不再是固定的，而是根据需求动态生成的（LUI 确立意图 + GUI 高效展示）。"},{"id":"p64","kind":"paragraph","text":"传统 App 是人适应系统、人找服务；Agent App 是系统适应人、服务找人。","raw":"传统 App 是人适应系统、人找服务；Agent App 是系统适应人、服务找人。"},{"id":"p65","kind":"heading","text":"2、架构层（冰山之下）：从「既定程序」进化为「专家协同」","raw":"### 2、架构层（冰山之下）：从「既定程序」进化为「专家协同」"},{"id":"p66","kind":"paragraph","text":"这是最本质的区别。","raw":"这是最本质的区别。"},{"id":"p67","kind":"paragraph","text":"传统 App 是确定性的逻辑代码：点击 A 按钮跳转 B 页面，路径是被程序员写死的。一旦需求超出预设（比如「我想根据心率找医生」），系统不仅无法处理，甚至无法理解。数据在各个功能模块间也是孤立的。","raw":"**传统 App 是确定性的逻辑代码**：点击 A 按钮跳转 B 页面，路径是被程序员写死的。一旦需求超出预设（比如「我想根据心率找医生」），系统不仅无法处理，甚至无法理解。数据在各个功能模块间也是孤立的。"},{"id":"p68","kind":"paragraph","text":"Agent App 是概率性的智能编排：当用户提出需求时，后台没有固定的代码在跑，而是一个 Orchestrator 在指挥。它会根据用户的意图，动态决定是先让数据专家 Agent 去拉取手环数据，还是让医学专家 Agent 去查阅文献，亦或是让健康教练 Agent 来安抚情绪。","raw":"**Agent App 是概率性的智能编排**：当用户提出需求时，后台没有固定的代码在跑，而是一个 Orchestrator 在指挥。它会根据用户的意图，动态决定是先让数据专家 Agent 去拉取手环数据，还是让医学专家 Agent 去查阅文献，亦或是让健康教练 Agent 来安抚情绪。"},{"id":"p69","kind":"paragraph","text":"传统 App 交付的是功能（提供挂号入口）；Agent App 交付的是解决方案（分析数据 → 筛选医生 → 完成挂号）。","raw":"传统 App 交付的是功能（提供挂号入口）；Agent App 交付的是解决方案（分析数据 → 筛选医生 → 完成挂号）。"},{"id":"p70","kind":"paragraph","text":"此外，所有 Agent 共享一份全息记忆。用户在「药管家」上传的胃药记录，下一秒就会被「健康教练」读取，并在饮食建议中自动避开伤胃的食物。这种牵一发而动全身的主动服务能力，才是 Agent 应用的灵魂所在。","raw":"此外，所有 Agent 共享一份全息记忆。用户在「药管家」上传的胃药记录，下一秒就会被「健康教练」读取，并在饮食建议中自动避开伤胃的食物。这种牵一发而动全身的主动服务能力，才是 Agent 应用的灵魂所在。"},{"id":"p71","kind":"heading","text":"最后","raw":"## 最后"},{"id":"p72","kind":"paragraph","text":"Google PHA 论文里写道：「目标是赋能而非替代临床医生。」这句话点破了 Agent 的本质：它不是为了取代人类，而是为了专业边界的延伸。","raw":"Google PHA 论文里写道：「目标是赋能而非替代临床医生。」这句话点破了 Agent 的本质：它不是为了取代人类，而是为了专业边界的延伸。"},{"id":"p73","kind":"paragraph","text":"传统 App 是被动的「工具」，不用它，它就在那里躺着；Agent App 是主动的「伙伴」，它始终在线，见微知著。","raw":"传统 App 是被动的「工具」，不用它，它就在那里躺着；Agent App 是主动的「伙伴」，它始终在线，见微知著。"},{"id":"p74","kind":"paragraph","text":"或许，AI 医疗的终极愿景，就是让用户感觉不到它的存在，但健康却如影随形。","raw":"或许，AI 医疗的终极愿景，就是让用户感觉不到它的存在，但健康却如影随形。"}],"authored_claims":[{"id":"agent-is-a-service-container","text":"Agent 不应只是一个聊天窗口，而应该是一个智能服务的容器。每个子 Agent 都是封装好的垂直应用，有独立的 Prompt、工具集和记忆。","stance":"judgment","confidence":"high","supersedes":null,"note":null,"formed_at":"2026-01-17"},{"id":"lui-gui-should-coexist","text":"LUI 和 GUI 应该共存而不是互相取代。描述症状自然语言效率最高，但从十个医生里选一个，列表对比效率最高。","stance":"judgment","confidence":null,"supersedes":null,"note":null,"formed_at":"2026-01-17"},{"id":"execution-is-the-soul","text":"Agent 不等于聊天机器人，执行力才是灵魂。感知、决策、执行三步都走完，才算从「连接工具」变成「执行专家」。","stance":"judgment","confidence":null,"supersedes":null,"note":null,"formed_at":"2026-01-17"},{"id":"anthropomorphism-is-a-temporary-bridge","text":"医疗 Agent 的人格化设计就像当年的拟物化，是用户走向信任的临时桥梁。随着 AI 进化，这层人类的皮肤终会脱落。","stance":"hypothesis","confidence":"medium","supersedes":null,"note":"2026-10 复核：仍是假设。「终会脱落」是长周期的预测，九个月还验证不了。后来在 process-visibility-builds-trust 里找到了人格化之外的一条信任路径——让过程可见，方向与这条一致。","formed_at":"2026-01-17"},{"id":"orchestrator-self-reflection","text":"PHA 最精彩的一步是主 Agent 回答前的自我反思——先问自己信息够不够、能不能直接去查用户的手环数据，而不是傻傻地问用户。","stance":"judgment","confidence":null,"supersedes":null,"note":null,"formed_at":"2026-01-17"}],"claim_ids":["agent-is-a-service-container","lui-gui-should-coexist","execution-is-the-soul","anthropomorphism-is-a-temporary-bridge","orchestrator-self-reflection"],"revision":"0126c3a05a38bff65f675961377156d25e6a394d5e30017765be058f2881df97"}