
在 Maestro 对话框里输入需求:“帮我使用 datasci agent 提取 charls, share, elsa 三个数据库关于抑郁相关的数据,并且交给 cortex 进行选题和分析。”
Maestro 收到指令后,先检查了项目现有目录与本地数据仓 F:\CoredataCenter\AgingData,确认三库原始与 Harmonized 数据均在本地后,立刻通过 「派成员」 卡片派出 DataSci-1 开工,并在对话框顶部生成了一个独立的 DataSci-1 会话标签页。

在三库摸底完成后,DataSci-1 会弹出问题卡请研究者拍板整理形态(例如采用“纵向长表一人一波”的 harmonized-tabularize 口径)。随后,DataSci-1 并行把三库数据全部洗出,并交回一份极其关键的 三库抑郁_对照摘要.md:
CESD-10(0–30 分,≥10 切点占比 34.3%);CESD-8(0–8 分,≥3 切点占比 21.7%);EURO-D(0–12 分,≥4 切点占比 27.1%)。
拿到三库数据后,Maestro 并没有直接交给 Cortex 去做分析,而是先派出了一位只读审校员 Critic-1,要求它独立复核这套三库交付物。
点开顶部的 Critic-1 标签页,可以看到它严格执行了四大门控核查:
.data.parquet、_dict.csv、_qa.csv、_consort.csv、handoff.json、交付说明.md 和构建脚本是否齐全;
直到 Critic-1 给出明确的 「门控结论:通过(放行)」,Maestro 才把接力棒交给下一步的 Cortex-1。
Cortex-1 接手三库成品数据和 三库抑郁_对照摘要.md 后,第一步先针对候选方向做真实的 PubMed 查新,评估撞车风险并提示了 3 篇近邻文献;接着通过问题卡让研究者拍板选定 「三库“丧偶 → 抑郁”跨库对比,采用个体固定效应事件研究为主模型」;随后进入 S0~S7 正式分析流程(变量语义抽检 → 建三库队列 → 主模型 → 恢复轨迹 → 共居调节 → 敏感性检验 → 产出图表与三线表)。
🎛️ 多 Agent 协同的“可控感”:在 Maestro 界面顶部,DataSci-1、Critic-1、Cortex-1 各自拥有独立标签页。你可以随时点进任何一个成员的会话查看它正在跑哪行代码;如果觉得不需要第二位审校员,也可以像演示里那样直接告诉 Maestro“第二个不用审了,直接交给 Cortex”,Maestro 会立刻调用「停下成员」停掉 Critic-2 并无缝推进下一棒。
除了 DataSci 和 Maestro 这两大核心引擎,MedCortex 1.5.0 还在科研全流程的“防翻车”和“提效”上补齐了三块关键拼图。
在左侧边栏点开 「质控审核」,可以看到系统为每个研究环节配备了独立的审核官(如选题审核官、设计审核官)。

在三库抑郁研究中,选题审核官第 1 轮就敏锐地指出了 1 项「必修正」和 2 项「建议修正」:包括补查近邻撞车文献后调整差异强调语气、核实 Gateway Harmonized 数据中 mstat=7 才是丧偶编码(而非直觉猜测的 5),以及由于 CHARLS 只有 4 个波次而调整事件时间窗设计。每一条下面都有 「AI 核实与处理」 记录,改完一条标记一条「已修改」,形成完整的 4/4 已处理 质控闭环。
如果你手里已经有一份自己整理好的临床队列数据,想看看能套用哪些成熟的高分论文方法,可以切到 Analyst(数据分析师)。

在演示中,上传一份 急性单核细胞白血病.csv 后,Analyst 先摸清了数据画像(4,255 例 AML-M5,2000–2022 年,中位生存 4 个月,死亡 3,477 例),随后把工作流库里的 75 套工作流 逐类筛过一遍,客观对比出哪套 survival-clinical 可以直接跑通,哪套「论文套路库」里的 seer-bc-rt-spc(SEER 第二原发癌竞争风险)因为缺少外部人群率需要改编结局后才能复用——不硬凑、不瞎套,把可行性边界交代得清清楚楚。
对于需要长期跟踪的课题,1.5.0 版本的左侧边栏新增了 「定时任务」 周视图排期表:你可以让 文献Scout 定期追踪肺癌免疫治疗最新文献,或者让 Maestro / Cortex 在每天固定时间(如 15:00)接力推进分析任务;遇到需要人拍板的决策卡时,任务会停下等待你的确认。同时在设置面板里,还支持为研究 PI、统计学家、期刊编辑、审核官和同行评审分别配置不同的模型接口,并实时监控 Token 用量与上下文窗口占用。
回顾整套 MedCortex 1.5.0 的实际演示,你会发现它把医学科研拆解成了一条清晰、可核验的工程流水线:
协同环节 | 负责角色 | 核心交付与把关机制 |
|---|---|---|
1. 统一建仓与按口径取数 | DataSci | 挂载 27 个专属数据库与 17 个直接公开库,按论文/变量表提取,输出 .parquet + 字典 + QA + 纳排对账 |
2. 跨库门控与独立核验 | Critic | 只读复核文件成套性、自跑数字对账、排查脚本硬编码与硬口径一致性,通过方放行 |
3. 全局编排与接力调度 | Maestro | 统筹 DataSci、Critic、Cortex 等多成员会话,支持人类随时切入标签页查看或停止 |
4. 查新选题、建模与套路复用 | Cortex / Analyst | PubMed 真实查新防撞车、匹配 75 套工作流、运行统计模型并产出三线表与论文初稿 |
5. 全程质控与定时接力 | 质控审核 + Chronos | 逐环节挑刺修改闭环,支持按日/周定时推进长周期科研任务 |
做临床和公共卫生数据库研究,最磨人的往往不是最后跑回归的那十分钟,而是前面漫长的“搬砖期”。
你想做一项跨国老龄化队列的对比研究,得先去翻 CHARLS、ELSA、SHARE 的官方说明书,核对不同波次的问卷编码、量表切点、缺失值标记;好不容易把数据拼成一张宽表,又要自己查文献防撞车、写统计分析计划、跑完敏感性检验、再反复核对正文数字和表格有没有对不上。
很多同学问:能不能有一个研究工作台,既能把几十个主流医学公开数据库统一管起来、按论文口径把宽表洗干净,又能像一个真正的科研团队那样,有个“总指挥”去调度取数、审校、查新、分析、作图和写作?
今天,我们一起来看看 MedCortex v1.5.0。

打开 1.5.0 版本的工作台,最直观的变化就是顶部菜单里的 九大专业 Agent 已经全部就位——从主力研究 Cortex、生信分析 BioCortex、方案架构 Architect、图表精修 Artist、投稿助手 Contribution,到这次 1.5.0 版本最核心的两大主角:专攻多库提取与清洗的 DataSci(数据工程师),以及 统领全局调度其他 Agent 的 Maestro(指挥官),再加上把关质量门控的 Critic 和复刻论文套路的 Analyst。
💡 一句话看懂 1.5.0 核心进化:过去是“单兵作战”,你得自己盯紧取数、查重、建模每一步;现在是 DataSci 管好底层 27 个数据库 + Maestro 指挥全部 Agent 接力,从原始数据一直推进到论文成稿。
接下来,我们就按实际科研推进的顺序,重点拆解 DataSci 的 27 库中心数据仓与联合取数,以及 Maestro 如何操控全队完成跨库联合分析。
我们先看数据这一关。在以往做公共数据库研究时,最大的痛点在于数据散落在各个官网和本地文件夹里,格式五花八门(.dta、.sav、.sas7bdat、.xpt、.parquet),字段名各写各的。
在 MedCortex 1.5.0 中,点开顶部的 Agent 切换菜单,把鼠标悬停在 DataSci(数据工程师) 上,就能看到它在 1.5.0 版本里的完整能力边界。

卡片里写得非常清楚:DataSci 已经接入了 27 个专属数据库,涵盖中国追踪调查(CHARLS、CLHLS、CLASS、CFPS、CHNS、CGSS、CHFS、CLDS)、全球老龄化队列(HRS、ELSA、SHARE、MHAS、KLoSA、LASI、CRELES 与 Gateway Harmonized 老龄队列)、美国国家级健康调查(NHANES、NHIS、BRFSS、MEPS、Add Health、GSHS),以及重症围术期与肿瘤登记大库(MIMIC-IV、eICU、INSPIRE、MOVER、SEER)。
这么庞大的数据体量,在工作台里是怎么管理的?我们切到右侧面板的「数据仓」标签页看一眼。

可以看到,工作台直接绑定了本地的统一中心数据仓路径 F:\CoredataCenter。系统扫描出了仓库里的 20 个核心目录,并且把每个库底下的原始文件数量清清楚楚地列了出来:比如 AgingData 包含 1765 个原始文件、NHANES 包含 1685 个原始文件、GSHS 包含 341 个原始文件、SEER 包含 90 张表共 123 个原始文件、MEPS 包含 104 个原始文件、eICU 包含 64 个原始文件、MIMIC-IV 包含 33 个原始文件、INSPIRE 包含 19 个原始文件。
这意味着,研究者不用每次开新课题都把几个 G 甚至几十个 G 的原始数据复制一份到项目文件夹里。统一数据仓一次挂载,所有研究项目按需索引即可。
除了本地中心数据仓里的这批重型数据库,我们再点开隔壁的「数据库」标签页。

这里还整理了 17 个可直接取数的公开库(包括 NHANES、NHIS、BRFSS、CDC 开放数据、HealthData.gov、openFDA、ClinicalTrials.gov、WHO GHO、World Bank、Our World in Data、OECD 健康统计、Eurostat、DHS 人口与健康调查、GLOBOCAN、MEPS 医疗支出面板、WHO GHED、UN WPP),以及 23 个需账号或手工下载的库。每个库旁边都配有「AI 检索」和「取数」入口,甚至点开「AI 检索」还能直接弹出内置浏览器与 数据库Scout 对话窗口,帮你去官网指标目录里探查变量。
光有数据仓还不够,做科研最怕的是“取数口径对不上”。为了看清 DataSci 是怎么干活的,我们直接看它处理 INSPIRE 围术期数据库 的完整闭环。

整个提取过程走的是 「需求锁定 → 加载专属 Skill → DuckDB 探查提取 → 纳排逐步对账 → 100% 变量核验 → 标准化交接」 六步闭环。
在右侧目录里选中一篇已发表的文献 01_fnut2026_GNRI_90d_mortality_noncardiac_elderly.pdf,我们在左侧对话框里用 @ 引用它,输入指令:“参考这篇论文,提取它对应的这个 inspire 数据库数据。”

收到指令后,DataSci 没有盲目去写代码跑数据,而是先调用 PdfRead 通读了整篇论文的方法学部分,提炼出核心口径(韩国首尔大学医院 INSPIRE v1.4.2 回顾性队列,≥65 岁非心脏手术患者,暴露为术前 GNRI ≤98 vs >98,结局为术后 90 天全因死亡),随后加载了两个必备技能:paper-variable-extraction(按论文取数规范) 和 inspire-tabularize(INSPIRE 数据库专属处理规范)。

注意看右侧「技能」标签页里展示的 DataSci 专属技能 列表,每一个大型数据库都有自己独立的规范化处理 Skill(比如 aging-data-tabularize、brfss-tabularize、cfps-tabularize、clhls-tabularize、eicu-tabularize、inspire-tabularize 等),把各家数据库的坑位、缺失码、表连接主键都提前写进了规则里。
接着,DataSci 在 plan/extraction/INSPIRE_GNRI_90d.csv 生成了一张包含 82 个变量 的变量提取表,再用 DuckDB 探查 operations、diagnosis、medications、labs 等原始表的真实字段与取值分布,然后才写出可重跑的构建脚本 scripts/build_INSPIRE_GNRI_90d.py。
跑完提取脚本后,我们点开右侧的「提取过程」面板,这里藏着 DataSci 最硬核的质控设计。

面板顶部直接给出了四个关键数字卡片:起点 127,046(非心脏手术)、最终 25,817(个 subject_id)、变量 82 / 82、与论文不一致 4。
紧接着下方是一张 「纳排逐步:论文 vs 本地」 逐行对比表:
更可贵的是它“不隐瞒数据缺陷”。在左侧的交付说明里,DataSci 直接列出了必须知道的三处数据本身的问题:院内死亡字段 inhosp_death_time 存在跨住院污染风险(可能记录患者日后某次住院的死亡)、诊断表合并症偏低、血压与化验连续值已被原始库分箱处理。它把问题明明白白标出来交给下游建模决定,绝不私自篡改原始数据。
切回「提取表」标签页,可以看到 82 / 82 项变量已全部完成核对。点开任意一行(例如 sex 性别),下方会展开论文原文描述与本次提取结果的逐项比对(例如论文 Female 12,401 (49.4%) / Male 12,725 (50.6%) 对比本地实测分布)。

最终,在工作目录 data/processed/INSPIRE_GNRI_90d/ 下,DataSci 交付了一整套标准契约文件:成品宽表 INSPIRE_GNRI_90d_data.parquet / .csv(点开预览弹窗直接可见 25,817 行 × 82 列 干净整齐的数据)、变量字典 dict.csv、质量核查表 qa.csv、论文对标.md,以及交给下游分析方的交接契约 handoff.json。

如果说 DataSci 解决的是“把单个或几个库的数据洗干净”,那么当你的课题需要 多数据库联合提取 + 独立审校 + PubMed 查新选题 + 统计建模 + 论文写作 时,谁来把这些专业 Agent 串成一条流畅的流水线?
这就是 1.5.0 版本重磅推出的 Maestro(指挥官 Agent)。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。