节点
临床问题先进入意图分析，可回答时再生成 SQL。生成器进行基础语法检查与修复；执行及结果比较位于评估器中。
← 返回时间线
团队项目 · 帝国理工
临床多智能体 Text-to-SQL
2025年10月 – 2025年12月在团队项目评估中正确回答了 20 个问题中的 17 个。
角色: 规划智能体设计、LangGraph 集成与失败案例评估。
现实问题
将临床问题转换为基于 MIMIC-IV schema 的 SQL，并进行验证、修复与安全拒答。
系统表达
智能体状态图 / 运行时循环
不用先学会写数据库查询，也能提出问题
医院记录分散在不同数据表里。团队的助手把问题变成 SQL，也就是检索这些记录的指令。我的工作重点是分步规划、LangGraph 集成和失败案例测试。
问题示例与实现细节
项目展示中的问题示例
2018 年有多少患者入院？
查什么：入院记录时间范围：2018 年返回什么：人数
1 · 先理解请求
意图分析先判断问题类型；如果无法从数据库回答，就停止生成查询。
可以查询
2 · 根据数据表定义生成 SQL
Gemini 2.5 Pro 接收问题、意图和 schema，即可用数据表的名称与结构。
3 · 检查、修复，必要时再试一次
基础语法检查识别不完整查询。生成器收到错误后可再次尝试，无法解决时不返回 SQL。
↺ 修复发生在生成器内部
无法查询
停止，不编造答案
治疗建议与检索已记录事实是不同的请求。系统可以返回 null，而不是强行生成 SQL。
团队评估
查出来的结果真的对吗？
评估器在 SQLite 中分别执行生成 SQL 和参考 SQL，再比较返回结果。语法检查通过，并不等于回答正确。
深入看：智能体、重试与验证的边界
提供的 notebook 有 intent_analyzer 和 generator 两个 LangGraph 节点。生成器总共最多尝试两次。检查涉及 SELECT 基础结构、括号和不完整子句；表名检查给出提示，并不阻止输出。SQL 执行位于独立的诊断评估器中。这些检查不构成临床正确性的保证。
展开技术说明
共享状态
LangGraph 协调共享状态、节点与转移。
分支与修复循环
可回答的意图进入生成器，无法回答时结束图流程。语法修复和重试发生在生成器内部，随后返回输出。
安全拒答
无法安全回答时，系统以拒答结束。
核心思想 / 原理导读
先理解原理，再看实现
SQL 与 Text-to-SQL
SQL 用于查询关系型数据表。Text-to-SQL 将自然语言问题转换为查询，但语法正确并不代表回答了正确的问题。
临床问题为什么需要规划
规划将问题拆为人群、时间窗口、住院记录和聚合方式。先明确这些条件，可以将问题解释与 MIMIC-IV 查询构建分开。
状态、节点与边
状态承载一次运行中的信息。提供的实现包含意图分析和生成节点，条件边决定进入生成器还是结束。修复循环位于生成器内部。
验证是决策点
基础语法检查可触发再次生成，表名检查仅作提示，执行则单独测试。查询能够解析或输出格式正确，都不保证回答正确。
实现细节
临床问题
自然语言请求
Planner Agent
意图分析与分步拆解
SQL 生成
基于 schema 生成 SQL
验证与修复
语法、schema、执行检查与修复
执行或安全拒答
有效查询执行；无法解决时安全拒答
成果与演示
团队评估中正确回答的问题数
17 / 20 (85%)评估详情
- 样本量
- 20 questions
职责边界
设计与实现
设计分步规划逻辑，集成 LangGraph 状态、节点与转移。
评估
参与团队评估中的失败案例测试；团队正确回答了 20 个问题中的 17 个。
团队背景
帝国理工团队项目，使用 MIMIC-IV。