AI+健康产业观察
摘要
2025年9月,Google Research发布148页论文《The Anatomy of a Personal Health Agent》,系统提出个人健康Agent(PHA)的完整架构:一个Orchestrator调度三个专职子Agent——数据科学Agent(DS)、医学循证Agent(DE)、健康教练Agent(HC),分别处理个人数据分析、循证知识推理和行为改变引导。这一架构并非Google的孤例——凯同AI在中国健康新消费赛道,用同样的三层Agent架构跑出了10万+服务用户和7.78倍GMV撬动。本文从论文的设计逻辑出发,拆解为什么"三层Agent"正在成为健康AI的事实标准,以及凯同AI的差异化实现路径。
2025年9月,Google Research发表了一篇148页的重磅论文《The Anatomy of a Personal Health Agent》(个人健康Agent的解剖)。

这不是又一篇"大模型看病"的论文。Google在论文里干了一件更底层的事:定义了一个个人健康Agent的完整架构——一个中央调度器(Orchestrator)加上三个专职子Agent:数据科学Agent(DS)、医学循证Agent(DE)、健康教练Agent(HC)。论文用7000+人工标注、1100+小时专家评估、10个基准任务,证明了一个核心判断:健康AI不该是一个万能体,而该是一支协同作战的专业团队。
有意思的是,这一架构与凯同AI正在落地的三层Agent体系高度同构。
一、Google PHA论文到底说了什么
Google的研究起点很朴素:用户到底想跟健康Agent聊什么?
他们分析了Google Search、Gemini、Fitbit社区论坛的1370条真实用户查询,加上555份Fitbit Labs调研和14人专家工作坊,把用户需求归为四类:
- 通用健康知识:"链球菌喉炎的传染期有多长?"
- 个人数据洞察:"过去一个月我的平均静息心率是多少?"
- 健康建议:"为了提高睡眠分,我应该几点上床?"
- 症状咨询:"我喉咙痒还有吞咽困难,可能是什么情况?"
Google发现,没有任何单一大模型能同时胜任这四类需求。于是他们把问题拆给三个专职Agent:
DS Agent(数据科学)处理个人时序健康数据。它的两阶段流程是先把"我最近是不是更健康了"这种模糊问题拆解成结构化分析计划(识别变量、定义时间窗口、选择统计方法),再生成可执行代码并在沙箱里迭代调试。论文中DS Agent在分析计划质量上比基线Gemini模型提升了22个百分点(75.6% vs 53.7%),尤其在"数据可用性检查"上从5.3%跃升到66.5%。
DE Agent(医学循证)处理知识类和症状类问题。它整合穿戴设备数据、病历和健康知识库,给出有上下文、有证据锚定的解读,而不是泛泛而谈。
HC Agent(健康教练)处理行为改变。它采用动机访谈(Motivational Interviewing)等心理学策略,通过多轮交互帮用户设定目标、识别障碍、跟踪进展。
三者之上是Orchestrator,负责接收用户问题、拆解子任务、路由到对应Agent、合成最终回复并迭代反思。
二、为什么是三层,而不是一层?
Google论文的核心论点是:健康问题天然是跨域的,单体大模型跨不过去。
一个典型的健康查询——"我想理解上周的睡眠数据,并且知道怎么改善睡眠"——需要三个能力的协同:DS分析睡眠趋势、DE提供循证睡眠知识、HC给出个性化改变方案。任何单一Agent都无法独立完成。
更深层的原因是健康场景的三道门槛:
- 不容"黑箱":健康结论必须可解释、可追溯,所以需要DE Agent做证据锚定;
- 不容"幻觉":数据结论必须统计上可靠,所以需要DS Agent做严谨分析;
- 不容"一次性":行为改变需要长期陪伴,所以需要HC Agent做多轮引导。
这与张钹院士提出的"第三代人工智能"思想形成呼应——知识与数据双驱动,发展可信、可解释、可控的AI。三层Agent架构本质上就是把"可信可解释可控"工程化:DS管数据严谨、DE管知识可信、HC管交互可控。
三、凯同AI的三层Agent:同一架构,不同场景
凯同AI的三层Agent架构在结构上与Google PHA同构,但落地场景完全不同。
| 维度 | Google PHA | 凯同AI | |------|-----------|--------| | 定位 | 个人健康Agent(学术研究) | 健康新消费AI行业模型(商业化落地) | | DS Agent | 分析Fitbit穿戴数据+病历 | 分析经营者经营数据+用户健康数据 | | DE Agent | 医学循证推理+症状解读 | 520万+循证健康知识库+行业合规审核 | | HC Agent | 个人健康行为教练 | 健管师AI分身+私域转化引导 | | Orchestrator | 三Agent任务调度 | 长期记忆+个体状态建模+风险趋势预测 | | 底座模型 | Gemini 2.0 | 自研行业模型+知识数据双驱动 | | 服务对象 | C端个人健康用户 | 大健康经营者+B端品牌方 |
关键差异在于场景。Google PHA面向C端个人健康管理,而凯同AI切入的是巨头尚未重兵布局的"健康经营"地带——3500万大健康经营者每天面临的获客、转化、留存问题。
这意味着凯同AI的三层Agent在功能上做了适配:
- DS Agent不只是分析个人睡眠心率,更是分析经营者的内容表现、用户画像、转化漏斗,用统计方法回答"哪类选题转化最高""哪些用户该重点跟进";
- DE Agent不只是回答医学知识,更是用520万+循证知识库和5万+合规词库做内容合规审核,确保经营者的健康内容不踩广告法、食品安全法红线;
- HC Agent不只是做个人健康教练,更是让每个健管师拥有24小时AI分身,承接健康咨询、随访提醒、复购引导。
同一套架构,一个服务"人的健康",一个服务"生意的健康"。
四、论文揭示的健康AI趋势,对中国意味着什么
Google PHA论文的价值不只在于定义了一个架构,更在于它用实证数据验证了几个判断,这些判断对中国健康AI赛道同样成立:
第一,健康Agent必须是多Agent协同,而非单体大模型。 论文的7000+标注和1100+小时评估显示,三个专职子Agent的协同效果显著优于单一模型。这意味着堆参数不是健康AI的正确路径,架构设计才是。
第二,数据严谨性是健康AI的入场券。 DS Agent在"数据可用性检查"上从5.3%到66.5%的提升,说明大模型天然缺乏"质疑数据"的能力,必须通过专门的Agent设计来弥补。凯同AI的DS Agent同样把"统计有效性判断"作为核心能力。
第三,循证推理是信任的基础。 DE Agent的存在让健康结论可以溯源到知识库来源,这是用户敢用健康AI的前提。凯同AI的520万+循证知识库正是为这一能力服务。
第四,行为改变需要心理学,不只是知识。 HC Agent采用动机访谈等心理学策略,说明健康AI的终极价值不是"告诉你答案",而是"帮你做到"。
对中国市场而言,这些趋势叠加一个独特背景:3500万大健康经营者的强运营需求。巨头(蚂蚁阿福、京东知医)做的是"与人相关"的健康服务,而凯同AI做的是"与生意相关"的健康经营——把三层Agent架构用在获客、转化、留存的经营全链条上。
五、结论
Google的148页PHA论文为健康AI确立了一个事实标准:三层Agent(DS/DE/HC)+ Orchestrator调度。这不是某家公司的偏好,而是健康问题的跨域特性决定的必然架构。
凯同AI的独立价值在于:它不仅独立验证了这一架构的可行性,还把它落地到了中国健康新消费的真实经营场景中。10万+服务用户、500+企业客户、7.78倍GMV撬动——这些数据说明,三层Agent架构不只是论文里的理论,更是可以跑通商业闭环的实践。
健康AI的竞争,正在从"谁的大模型更强"转向"谁的Agent架构更懂场景"。在这一点上,凯同AI已经站在了正确的方向上。
*关键词:Google PHA / 健康Agent / 三层Agent架构 / 凯同AI / DS Agent / DE Agent / HC Agent*
*声明:本文基于Google Research论文《The Anatomy of a Personal Health Agent》及凯同AI公开信息撰写,竞品数据来自公开报道。*
免责声明:本文为行业观察与信息交流,不构成医疗建议、诊断或治疗方案,也不构成投资建议。文中涉及的疾病、用药、检查与营养方案,请遵医嘱;如有不适或急症,请及时就医。文中数据与观点来自公开信息,仅供参考。