GxP-Agent：用流程 DAG 拓扑提升临床试验编程可靠性

临床试验编程——即按照 CDISC 标准将研究方案转换为可用于统计分析的数据集——长期是监管递交流程中的瓶颈环节。然而现有基于大模型的代码生成方案在该任务上表现并不理想：研究者在 11 次单次生成尝试中测试了 5 个前沿模型，没有任何一次成功产出合规的受试者级分析数据集。

研究背景与问题

临床试验数据需遵循 CDISC 等监管标准，对变量命名、结构与追溯性都有严格要求。任务流程高度结构化，包含多个相互依赖的步骤，传统思路是让 LLM 一次性端到端生成数据集代码。但实证结果显示，无论是 OpenAI GPT-4.1、Anthropic Claude Sonnet 4.6，还是其他被测的前沿模型，在不做任何流程拆解的情况下，独立尝试全部失败，结构匹配率均为 0%。

GxP-Agent 方法

针对这一问题，作者提出 GxP-Agent，把监管流程的天然顺序编码为一张有向无环图（DAG），把原本单体的一次性数据集生成分解为 15 个领域专属节点，由具备 pharmaverse 技能上下文的 worker 智能体逐节点执行，并在节点之间设置验证门控与有条件的重试机制。核心思想是：与其完全依赖 LLM 的推理能力，不如把领域流程知识显式编码进图拓扑结构中。

基准与实验结果

研究者同步发布了 CDISC-Bench，基于 FDA 试点递交项目 CDISCPilot01 构建，包含 254 名受试者与 49 个真实 ADSL 变量。

• GxP-Agent 配合 Claude Sonnet 4.6 在三次独立运行中均达到 100% 结构匹配（49/49 变量、254 条记录全部正确）。
• 最佳检索增强基线仅 59.2%；所有单智能体与扁平多智能体方案均为 0%。
• DAG 结构还能显著拉强弱模型表现——GPT-4.1 在同一 DAG 下平均达到 59.2%，而其他架构下同样为 0%。
• 方法可泛化到 ADAE（不良事件）场景，使用 9 节点分支 DAG、55 个变量与 1,191 条记录，首次尝试即取得 100% 结构匹配。

意义与展望

这项工作的核心结论是：在 GxP 合规的临床试验编程任务中，把领域流程知识编码为图拓扑，比单纯依赖大模型推理更能产出可靠结果。它也为类似高合规、强流程、强结构化的行业任务提供了一条可复用的思路——用工程化骨架约束大模型的自由度，用验证门控保证每一步输出可追溯。