研究型实习生-基于记忆层的个体化医疗Agent研究

研究领域： 大模型 项目简介： 现有医疗AI技术多聚焦于“通用场景的单点任务优化”（如影像识别、辅助诊断），但在“结合用户全周期个人数据、提供持续个性化服务”方面存在技术空白。本项目通过构建专属“个人医疗记忆层”，从数据整合、推理适配、服务响应三个维度，填补现有技术与个性化需求的差距，其核心事项主要包含以下三方面：

1. 01

   突破 “个人数据碎片化” 瓶颈，构建 “全周期个人记忆”，让分散数据转化为“个性化服务基础”。现有技术对用户个人数据的处理，仍停留在“单次调用、用完即弃” 的模式，无法形成长期、关联的个人数据资产，导致个性化服务缺乏数据支撑。本项目的技术突破在于：多源个人数据的 “主动汇聚 + 语义关联”，通过适配业界医疗数据标准、可穿戴设备接口、线上问诊对话协议，自动整合“医疗数据”（电子病历、检查报告、用药记录）、“行为数据”（血糖血压监测、运动轨迹、饮食打卡）、“交互数据”（问诊对话、健康咨询、医嘱反馈），建立 “数据 - 场景 - 需求” 的关联，从而能实时获取用户全周期数据，为个性化方案提供完整依据；

2. 02

   突破“推理通用化”瓶颈，实现“基于个人记忆的动态推理”，让服务从“模板适配”转向“个体定制”。方案将“个人记忆”嵌入推理核心，优先调用用户的专属记忆，而非仅依赖通用知识库，通过融合推理，让方案更贴合用户生活场景，提高依从性；

3. 03

   突破 “服务被动化”瓶颈，打造“基于记忆预判的主动服务”，让服务从“用户触发”转向“需求预判”。现有医疗服务无法基于用户个人数据的变化预判需求，导致服务响应滞后，通过实时监测用户个人数据的动态变化，并结合历史记忆预判潜在需求，从而使服务响应率显著提升，降低部分急症因未及时干预导致风险，从而实现服务的 “主动预判、提前介入”。

研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用： -对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色 -在国际会议上或核心期刊发表一份或多份出版物或论文 -至少3个月的全职工作