[!TIP] 本文為系列文章之「上集」。續集請見：醫療 AI Agent 記憶機制（下）：強化思考鏈與工具調用策略
在台灣智慧醫療的脈絡下，AI Agent 的記憶機制不僅關乎效率，更觸及隱私與法規核心。傳統 Agent 框架中的記憶選擇，如 Buffer Memory、Summary Memory 等，雖能處理一般對話，但在醫療場景卻面臨資料敏感性、合規性與在地化部署的嚴峻考驗。
Agent 記憶模型的抉擇與醫療場景的限制
Agent 的記憶機制，實為其「理解」與「決策」的基石。
- Buffer Memory (短期記憶)：這類記憶直接儲存原始對話紀錄，最直觀也最全面。但對話一長，Token 消耗量大，成本隨之升高。在醫療問診中，雖然能捕捉所有細節，卻也可能因過度依賴原始文本而錯失關鍵摘要。
- Summary Memory (摘要記憶)：透過 LLM 將歷史對話進行摘要，有效降低 Token 量。問題在於，摘要的品質高度依賴 LLM 的生成能力，若遇到複雜的醫療案例，可能遺漏重要資訊，甚至產生幻覺，進而影響臨床判斷的依據。我們絕不允許 AI 憑空捏造資訊。
- Vector Memory (向量記憶)：將知識切分、嵌入成向量，再透過語義搜尋擷取相關資訊。這對 RAG 系統至關重要，能有效擴展 Agent 知識庫。然而，向量資料庫的建置與維護成本不低，且搜尋精準度仰賴 Embedding 模型與切分策略。
- Graph Memory (圖譜記憶)：將實體關係建立成知識圖譜，提供更結構化的知識。這對於複雜的醫學概念、疾病路徑分析極具潛力。例如，一張清晰的病症-檢查-藥物關係圖，能大幅提升 AI 推理的可靠性。
老實說，這些通用框架在醫療應用上，單獨使用都有其限制。許多雲端 LLM 提供的 Summary Memory 服務，即便再方便，也無法滿足台灣醫療對於資料不出境的嚴格要求。病患資料的機敏性，讓我們必須尋找更本土化、更可控的解決方案。
台灣醫療 AI 的實戰挑戰：在地化、合規與 PICO-Graph RAG 的應運而生
在將 DietMate 營養師 AI 協作平台導入台灣診所的初期，我們確實踩過不少坑。記得有一次，我們嘗試利用大型雲端模型的摘要功能來處理病患的飲食日誌，結果發現模型對於台灣在地特有的飲食習慣，如「麻油雞」、「滷肉飯」等，辨識度不佳，甚至將其誤解為其他高熱量食物，導致營養建議失準。這就是「在地化」不足的血淋淋教訓。
面對這樣的困境，我們清楚地意識到，醫療 AI 不該只是技術的堆疊，更要深刻理解在地脈絡與法規要求。我們團隊堅信，AI 不該取代臨床判斷，而是讓判斷更有依據。
為此，我們發展出以 在地化優先 (Local-first) 為核心的系統架構，並將 PICO-Graph RAG 引擎 融入 Agent 的記憶機制中。
- Local-first 架構：我們堅持醫療資料必須在本地端儲存與運算，杜絕資料外洩風險。所有敏感的病患資訊，從飲食紀錄到病歷摘要，都不會上傳至境外雲端。這確保了我們在面對衛福部的醫療合規性審查時，能夠理直氣壯。
- MCP 協議整合：在我們的系統中，透過整合 MCP 協議 (Model Context Protocol)，將國際疾病分類 ICD-10、FDA 藥物資料庫等醫療標準結構化，確保 AI 理解的語義與臨床實務一致。這不僅提升了資料的標準化程度，也為後續的 AI 推理提供了堅實的基礎。
- PICO-Graph RAG 引擎：這是一個專為醫療場景設計的 RAG 變體。我們將醫療文獻、臨床指引、甚至 DietMate 累積的在地化飲食資料，透過 PICO (Patient, Intervention, Comparison, Outcome) 框架進行結構化，並建立成知識圖譜 (Graph)。當 Agent 需要查詢時，它會先在本地的知識圖譜中進行語義檢索，精準抽取相關實體和關係，再結合多模型調度 (如 MedGemma 等本地部署的醫療專用模型) 進行推理。這種結合了向量搜尋與圖譜結構的記憶機制，大幅提升了資訊的精確性與關聯性。
SLM as Judge：合規性審查的最後一道防線
在多模型調度中，我們不僅使用 Claude、Gemini 等大型模型處理通用語義理解，更關鍵的是部署了 SLM as Judge (小型語言模型作為審查者) 的機制。這是一個在本地端運行的小型語言模型，其職責並非生成內容，而是專職審查大型模型生成的醫療相關資訊，確保其符合醫療倫理、法規，並剔除潛在的幻覺或不實資訊。
這聽起來可能有點違背直覺，為什麼不直接用最強的模型？說白了，在醫療領域，安全與合規是第一優先。一個本地部署的 SLM，其行為模式完全可控，可以針對台灣的醫療法規進行客製化訓練，成為我們系統合規性的最後一道、也是最堅實的防線。它就像一位嚴謹的醫療法規專家，在每一次 AI 輸出前，進行最終的把關。
這種「在地化、合規性優先、多層次記憶與審查」的架構，是我們團隊在台灣醫療 AI 實戰中摸索出的路徑。它不僅確保了技術的先進性，更重要的是，讓 AI 真正成為臨床醫師的可靠協作者，而非一個潛在的風險源。
