小罗碎碎念放射科医生一天要看几百张片子、写几百份报告，是出了名的累。所以"AI 帮医生写胸片报告"（Radiology Report Generation，简称 RRG）一直是医学 AI 的热门方向。但这个方向有个老问题：现在的模型大多靠一个大语言模型（LLM）“看图说话”。看图说话的能力很强，可惜 LLM 对医学知识的记忆是"模糊的"——它可能漏掉病灶，可能把不存在的结节写进去（幻觉），也可能用词不够专业。对一份医疗文书来说，这些毛病都是致命的。今天和大家分享一篇我在Arxiv上看到的预印本，这篇文章提出了一个MAC-RRG模型，核心思路就是：别让一个模型Cover全场。简单类比一下，就是由LLM先看图写出报告草稿，然后两个Agent同时批改：MM-KG Agent：手里有一本"概念关系词典"（医学知识图谱），LLM每提到一个部位或病症，Agent就把相关概念的来龙去脉列出来；RAG Agent：手里有一个"病例知识库"，LLM每提到一个实体，Agent就去检索库里最相关的一条文字证据。两个Agent的批注不和LLM的草稿文字混在一起，而是变成一串"知识暗号"（soft prompt），连同图像特征一起回传给LLM，让LLM重新写一遍最终报告。大家看完这篇推送，可以完整的体验一下，如何通过一个部署在本地16G显卡上的模型，自动生成胸片报告，并
