过去一年，AI Agent 的叙事已经从“能不能做 demo”，进入到“能不能进生产环境”。Coding Agent 最先跑出来，因为它有清晰任务、强反馈信号和可验证结果；但在更复杂的企业场景里，Agent 仍然面临一个核心问题：它会回答问题，不代表它会完成工作。
医疗可能是这个问题最集中的行业。一方面，美国 healthcare workflow 极其标准化，充满 policy、compliance、审批、文档和跨系统协同；另一方面，它又极其复杂，provider、payer、patient 三方之间存在大量 长链路、不可逆、强监管 的流程。这意味着，医疗 Agent 真正要解决的不是“医学问答”，而是 能否在真实 workflow 里长期、稳定、合规地执行任务。
这也是 actAVA 两位联合创始人选择 healthcare agent 的原因。Weiran 来自 CMU PhD 和 Salesforce AI Research，早期就参与agentic RL、agent benchmark、模型训练和数据研究；Frank 则有近 20 年 enterprise software 经验，曾参与一家 vertical enterprise platform 从早期成长到被 Salesforce 收购，并深度参与后来的 Industry Cloud 和企业 Agent 产品化。一个更懂模型和 Agent，一个更懂 enterprise deployment 和 healthcare workflow，这个组合本身就很稀缺。
更关键的是，他们没有只停留在产品叙事上，而是发布了CHI Benchmark：一个真正面向 end-to-end healthcare workflow 的 Agent benchmark。它不再测试模型会不会答医疗题，而是测试 Agent 能不能跑通 prior authorization、care management 这类真实医疗流程。结果也很刺眼：最强通用 Agent 在 pass@1 上只有 28%，很多 provider / payer workflow 甚至接近 0%。
这背后的判断很重要：今天 Agent 进不了医疗系统，不是因为它不够“聪明”，而是因为它还不够“可靠”、不够懂 workflow、不够会严格遵守 policy。医疗 Agent 的竞争，正在从模型智商，转向 workflow reliability、policy adherence、enterprise integration 和行业 foundation model 的系统能力。
在这次对话里，两位联合创始人系统聊了他们为什么判断 healthcare 会成为 Agent 最重要的 enterprise 场景、CHI Benchmark 为什么和过去所有 healthcare benchmark 都不一样，以及他们为什么相信，未来每一家医院都会拥有自己的 AI system 与 healthcare foundation model。
我们认为，未来医疗里的agent系统，会像今天的coding agent一样重构整个workflow。
今天AI行业最大的问题，不是“做不出demo”，而是“demo进不了生产环境”。
Healthcare最大的特点是：它不是一个“单点AI问题”，而是一个“复杂系统问题”。
如果测试的不是现实问题，那benchmark最后测出来的，只会是幻觉......今天很多benchmark在测试“模型会不会答题”，但enterprise真正需要的，是“Agent能不能干活”。
我们真正想证明的，不是“模型不够聪明”，而是“通用Agent距离真实enterprise workflow还有很大距离”。
今天很多Agent的问题，不是intelligence不够，而是workflow reliability还远远不够。
01 Salesforce出身的 AI 老兵，为什么押注 Heathcare Agent？
ZP：请weiran先介绍一下你过往的背景？
Weiran：我其实没有太多传统工作经历，更多时间都在求学和研究上。某种程度上，我算是一路“追着AI”走过来的。
我本科并不是计算机背景，而是航空航天，做飞行器设计。原本的职业路径应该是去做飞机或火箭相关工作。但大四时，我参与了一个航空交通的大数据分析项目，研究中美航班延误差异。当时我们通过数据分析发现，美国空管系统和飞机调度机制更加灵活，因此整体延误更少。那个项目让我第一次真正接触数据分析和AI。我原本甚至不会coding，很多东西都是边做项目边学。后来论文意外发表，也让我意识到，AI和数据科学可能才是未来最重要的方向。
之后我去了香港做航空数据分析，又申请到CMU读PhD，正式进入AI研究领域。我博士期间主要做representation learning和causal representation learning。简单来说，就是在没有label、没有监督信号的情况下，让模型自己学习数据背后的结构和规律。比如从视频里自动理解物体、运动轨迹和它们之间的关系，或者从time series里recover背后的latent process。这个方向后来其实和LLM时代的pre-training逻辑非常接近：先让模型从大量无监督数据中学会“理解世界”，再通过少量监督数据快速适配具体任务。
毕业后我去了Salesforce AI Research。2023年初，我开始做AI agent相关的reinforcement learning，算是比较早进入agentic RL的一批人。之后做的几乎所有东西都围绕agent，包括模型、benchmark、训练、数据和应用。到了2025年前后，我们感觉agent framework本身已经开始收敛，不同行业真正的差异会越来越体现在vertical AI上。我们看了很多方向后，最终认为医疗是一个非常特殊的机会。因为医疗行业的信息化复杂度极高，但AI能力整体还停留在比较早期的阶段。我们认为，未来医疗里的agent系统，会像今天的coding agent一样重构整个workflow。而我们正好具备从模型、agent framework到训练平台的完整技术能力，所以最后决定进入AI healthcare。
ZP：也请Frank介绍一下过去经历？
Frank：我大学在加拿大维多利亚大学读书。毕业之后，我基本一直在做enterprise software，到现在刚好20年。2012年前后，我从加拿大来到美国。因为我一直有个创业梦想，而硅谷当时正处在移动和cloud software快速崛起的阶段。
我2014 年加入了一家只有十个人左右的创业公司Vlocity，算是前十号员工。这段经历对我影响非常大。那家公司本质上是在Salesforce生态上做vertical enterprise software。Salesforce本身是horizontal平台，而我们在它之上做Telecom、Healthcare、Insurance、Government、Energy、Media等多个行业的软件平台。从0到1过程中，我们不仅要解决技术问题，更重要的是解决企业软件最核心的问题：怎么做到足够flexible、configurable、可规模化部署，同时还能控制成本。
后来公司逐渐做到250家大型企业客户六大垂直云，包括很多美国和全球头部公司。2020年，公司被Salesforce以16 亿美元收购，并入后来改名Salesforce Industry Cloud。我们收购时，公司收入大概1亿美元、1200人左右；后来整个Industry Cloud已经发展到几十亿美元上万人的规模。这段经历让我真正理解了enterprise software怎么从0做到全球化，也让我建立了healthcare enterprise领域的大量认知和资源。收购之后，我在Salesforce内部继续负责平台和业务。直到2022年底ChatGPT出来，我觉得整个行业真正进入了下一次技术革命。当时我加入了Salesforce AI研究所大概有150个研究员和工程师，负责把各种AI research项目真正落地到企业场景里 我主要负责模型产品化、客户部署和agent方向，我们合作客户包括Kaiser Permanente（凯撒医疗医院集团）, 迪斯尼公园，加拿大皇家银行，人力资源公司ADP等大型机构客户合作，做后成为第一代Agentforce里的核心能力。Salesforce Copilot 也改名成agentforce当年。
也是在这个阶段，我认识了Weiran，我们一起做了几个有意思的前沿项目。我们发现彼此对agent system的发展判断非常一致。那时候我们已经能明显看到，agent framework会逐渐收敛，真正重要的会变成vertical AI platform。后来我又进一步转向research方向，参与post-training、deep search、agent orchestration等项目。我们内部做过很多类似Deep Research的系统，有些效果甚至早于行业里的公开产品。
真正让我决定创业的，是我发现AI已经彻底改变了软件开发效率。以前需要几十个人、半年到一年完成的enterprise AI系统，现在几个人借助AI就能快速完成。我自己甚至大量使用AI coding和agent workflow去搭建系统。于是我们开始重新思考：如果今天重新做一家AI-native enterprise company，会是什么样子？最后我们选择了healthcare。因为医疗既是最复杂的enterprise workflow之一，也是AI渗透率仍然非常低的行业。我们认为未来医疗行业一定会出现AI-native operating system，而这正是我们最擅长的方向。
ZP：我们的团队既有enterprise SaaS背景，也有agent和AI的经验。为什么你们会认为，healthcare workflow automation会是Agent最早、也是最重要的enterprise落地方向之一？
Weiran：我先从技术角度讲。Healthcare可能是所有enterprise行业里，workflow最复杂、同时又最标准化的行业之一。它有大量明确的policy、compliance和行业规范：什么情况下该做什么、从哪里拿数据、什么步骤必须先发生、decision应该怎么做，很多东西其实都已经被写进了行业规则里。
所以医疗的核心不是“没有规则”，而是“规则太多”。而规则越清晰，其实越适合Agent。很多人会觉得医疗很复杂，但从AI角度看，它反而是一个非常适合automation的领域。因为大量workflow本质上是regulated work。只要你真正理解workflow、知道policy怎么运作、知道工作人员平时consult哪些handbook和系统，你其实就可以把这个过程逐渐replicate出来。
这个行业真正难的地方，不是模型，而是domain knowledge。你要知道真实workflow长什么样，不同系统之间怎么流转，decision到底依据什么做出来。没有这些knowledge，你甚至不知道问题是什么；但一旦进入这个行业，AI的accuracy其实可以做得非常高。
而且healthcare还有一个很特殊的地方：它是典型的long-horizon workflow。现在很多agent demo其实一天就能做出来，但真正困难的是deployment。怎么把agent真正接进生产环境？怎么做evaluation？怎么保证它在daily workflow里长期稳定运行？出了问题以后怎么debug、怎么support、怎么持续优化？这些其实才是enterprise AI最难的部分。
今天AI行业最大的问题，不是“做不出demo”，而是“demo进不了生产环境”。而这恰好是我们团队过去很多年的积累。我们以前一直在做enterprise platform，从product到deployment，再到customer success和系统运营，这些经验在healthcare里会非常重要。因为医疗行业不是“模型上线”就结束了，而是后面还有非常长的integration和运营周期。
Frank：我补充几点。第一，healthcare本身就是一个极大的市场，而且里面存在大量inefficiency。美国整个health system花了非常多的钱，但很多workflow今天依然高度依赖人工。这里面有巨大的automation空间。
但与此同时，它也是门槛最高的行业之一。很多人会觉得，做一个agent、接一个LLM就能进入医疗，但真正进入以后会发现，困难根本不在模型，而在系统。每一家医院的软件不同、保险规则不同、workflow不同，甚至同一个流程在不同机构里都会有大量variation。
Healthcare最大的特点是：它不是一个“单点AI问题”，而是一个“复杂系统问题”。这也是为什么很多通用AI方案最后很难真正落地。因为你不仅要有AI intelligence，还要理解enterprise deployment、系统integration、compliance、customer workflow，以及大量edge case。
但反过来说，一旦你真的能把这些复杂性解决掉，护城河会非常深。因为这里不是做一个简单feature，而是在重构整个workflow。我们当年做行业云的时候，其实也是类似逻辑：哪个行业最复杂、最难做，我们就去做哪个行业。今天到了AI时代，我们依然觉得healthcare会是最重要的AI-native enterprise场景之一。
ZP：请介绍一下actAVA这家公司？
Frank：actAVA 想做的是一个 AI Factory for healthcare and life science，本质上是帮助 healthcare 企业完成 AI digital transformation。就像过去企业做数字化转型一样，现在的问题变成：企业怎么真正用上 AI，怎么提高效率和 ROI，怎么把原来的 workflow 变成 AI-native workflow。
我们的平台可以搭建各种类型的 agent，包括后台自动运行的 background agent、conversation agent、voice agent 等。核心目标是帮客户识别，哪些工作不需要人反复做，哪些流程可以交给 AI，让人从执行者变成 manager，去做更高价值的事情。我们本质上是在把重复性的 enterprise workflow，逐渐转变成 AI workflow。
当然，真正困难的从来不是“做一个 agent”。今天用 OpenAI SDK、Anthropic SDK、LangChain，其实很快就能做出 demo。真正难的是 enterprise integration：怎么做 security、compliance，怎么和客户现有数据库、EHR system、内部工具整合，怎么让员工真正开始使用 AI。Healthcare AI 最难的不是模型，而是企业级落地。
我们内部会用一个 Blue、Red、Green 的框架来理解产品。Blue 是 workflow automation，帮助客户把工作自动化；Red 是 security 和 compliance；Green 是让 agent 持续 self-improve。也就是说，agent 不只是执行 workflow，而是能知道哪些地方做得好、哪些地方做错，下次不要重复犯错。现在很多还是工程方式，但未来我们希望把这些能力直接融入模型里。
长期来看，我们希望 agent 越来越 autonomous，不需要人类手把手告诉它每一步怎么做，而是更多利用模型本身的 world intelligence。这也是我们一直在推进的方向。
ZP：我们现在正在做benchmark。你们对这个行业的判断，是怎么影响CHI benchmark设计的？
Weiran：先说为什么要做这件事。我们公司是去年7、8月成立的，到现在差不多十个月。这段时间里，我们服务了很多healthcare客户，从很小的团队，到大型enterprise机构都有。我们看到了大量真实workflow里的问题，也亲自帮客户把agent部署进生产环境。
而且说实话，我跟Frank已经算是很懂AI的人了。我们知道现在最先进的模型、agent framework和各种tool怎么用。但即便如此，我们还是花了大量时间去理解客户workflow、debug系统、处理各种edge case。这让我们意识到，今天enterprise AI真正难的，从来不是“把demo做出来”，而是“让它在真实系统里长期稳定工作”。
也是因为这个过程，我们开始觉得，市面上很多benchmark其实都太“轻”了，没有真正反映enterprise healthcare里的复杂度。现在大多数healthcare benchmark，本质上都还是medical QA。比如“我背痛怎么办”“这个症状可能是什么病”，或者给一段病例让模型回答诊断问题。这类benchmark当然有价值，但它更偏diagnosis和medical reasoning。可问题是，我们过去一年真正做的事情，几乎没有一件是这种task。真实enterprise healthcare里，更多是长流程、多系统、多policy、多角色协同的问题。它不是回答一道题，而是要把一个workflow真正跑通。模型要知道先去哪个系统拿数据、什么时候做decision、什么时候触发下一步、怎么处理异常情况，还要保证整个过程compliant。
很多AI今天“会回答问题”，但还“不会工作”。所以我们会觉得，如果benchmark本身设计得太简单，那最后测出来的结果也会失真。一个模型在benchmark上拿高分，不代表它真的能进生产环境。甚至有时候，benchmark越简单，越容易给行业一种“AI已经很成熟”的错觉。
如果测试的不是现实问题，那benchmark最后测出来的，只会是幻觉。所以我们后来决定自己做CHI benchmark。因为这个东西其实很难由单一背景的人完成。纯AI researcher通常不懂真实enterprise workflow，而传统enterprise engineer又不知道怎么设计agent benchmark。只有真正做过大量production deployment的人，才知道真实任务长什么样、难点在哪里、哪些failure case最关键。我们希望把这些真实workflow抽象出来，变成更接近生产环境的benchmark。
本质上，我们不是想做一个“更难的考试”，而是想给整个行业一个更真实的方向。今天很多benchmark在测试“模型会不会答题”，但enterprise真正需要的，是“Agent能不能干活”。
02 CHI Benchmark：最强Agent，为什么也进不了医疗系统？
ZP：现在这个benchmark比较有意思的一点，是它做的是end-to-end的healthcare workflow。能不能举几个具体任务，讲讲agent到底需要完成哪些步骤，以及最容易失败的地方在哪里？
Weiran：我先给一个整体context。我们说的enterprise healthcare，其实和大家平时理解的consumer healthcare很不一样。真正的enterprise healthcare，本质上是provider、payer和patient三方之间的大量workflow协同。Provider是医院、医生、诊所，payer是保险公司，中间还有病人。每一方都有自己的系统、自己的policy、自己的数据流转方式。病人去医院看一次病，背后其实会产生大量流程：数据怎么在医院内部流通、怎么同步给保险公司、怎么做审批、怎么做后续管理、最后钱怎么报销回来。这些事情加在一起，才是enterprise healthcare workflow。
我们benchmark里一个非常核心的任务，就是prior authorization，也就是保险审批。比如医生给病人开药、安排CT scan、安排手术之前，需要先确认保险公司会不会cover、会不会付钱。这个时候医院要先收集supporting evidence，解释为什么这个service是medically necessary，然后把这些材料提交给保险公司。保险公司收到以后，并不是简单地“批”或者“不批”，背后其实有非常复杂的workflow：先录入系统，再根据policy和guideline判断这个case应该由谁处理，是nurse、medical director还是更高级别的人；过程中还要查各种内部文档，判断诊断是否符合标准、材料是否完整。如果信息不够，还要反复和医院沟通，要求补材料、clarify case，最后再生成decision letter，告诉医院为什么批准或者拒绝。
所以它根本不是一个“医疗问答”任务，而是一个跨系统、跨角色、跨组织的长流程任务。 这里最容易失败的地方，其实也不是模型“不懂医学知识”，而是workflow execution能力。比如什么时候该去哪个系统拿数据、什么时候该升级case、什么时候需要follow-up、哪些信息缺失会导致后面decision invalid。很多agent demo看起来非常聪明，但一进入真实workflow，很快就会丢step、漏context，或者前后decision不一致。今天很多模型已经“会回答问题”，但还不会真正“完成工作”。
另一个我们重点关注的任务是care management，这也是美国healthcare system里非常大的问题。比如一些慢性病患者，尤其是老年人，在这次出院到下一次复诊之间，可能会出现很多情况：不按时吃药、不遵医嘱、交通不方便、无法按时复诊，最后导致病情恶化甚至重新入院。所以医院和保险公司会投入大量人力持续follow这些病人，nurse会定期打电话、追踪病人的状态、监督是否按care plan执行，还会根据病人的risk level动态调整后续计划。这里agent真正困难的地方，在于它不是一次性的decision，而是长期状态管理。它需要持续理解病人的历史、当前状态、risk变化，以及下一步应该怎么intervene。很多模型今天能做“一次推理”，但enterprise healthcare真正需要的，其实是“长期协作能力”。
这也是为什么我们会坚持做这种end-to-end benchmark。因为只有这种任务，才能真正测试agent有没有进入真实生产环境的能力。如果benchmark本身过于简单，最后测出来的结果其实没有意义。真实enterprise AI的难点，从来不是“模型答对一道题”，而是“Agent能不能把一个复杂workflow稳定跑完”。
ZP：我们在benchmark里模拟了很多healthcare场景、MCP tools，还有policy，基本有上千份policy和operation document。整个benchmark里最难构建的部分是什么？
Weiran：最难构建的第一是刚才说的整套workflow，也就是vertical solution里的business logic。比如你点了某个button，或者填了某个东西，它会跳到哪个页面去。这个业务逻辑非常重要。
ZP：现在市场上最好的agent，在我们的benchmark上pass@1也只有28%，很多provider/payer workflow甚至接近0%。这个结果说明了什么？为什么顶级模型在我们的benchmark上也做不好？
Weiran：我觉得这个结果很容易被误读。它并不是说今天的agent technology不行，也不是说模型本身只有20%、30%的能力。更准确地说，是现在最强的通用agent，并没有针对enterprise healthcare做过真正优化。
比如大家每天都在用Claude Code，会觉得它已经非常强，因为coding这个场景本身已经被高度优化了：模型、prompt、tool calling、execution environment，全都是围绕coding workflow设计的。所以它在代码任务里效果很好。但healthcare完全不是同一种问题。如果今天直接把一个通用agent搬进医疗workflow里，不改prompt、不改tool、不加domain skill，也不根据真实workflow做adaptation，只是把系统和数据接进去，让它自动跑，那效果大概就是我们benchmark里看到的水平。
我们真正想证明的，不是“模型不够聪明”，而是“通用Agent距离真实enterprise workflow还有很大距离”。 因为真实healthcare workflow里，问题从来不只是推理能力，而是大量跨系统操作、长流程状态管理、policy理解、exception handling，以及非常强的domain convention。很多时候失败不是因为模型“不知道答案”，而是workflow在某一步断掉了。可能少拿了一份document、少触发一次follow-up、context丢了一次，整个流程最后就失败了。今天很多Agent的问题，不是 intelligence 不够，而是 workflow reliability 还远远不够。
但反过来说，这其实也是机会。因为一旦有人真正针对这个领域做specialized optimization，比如针对workflow设计agent、针对domain设计tool和skill、针对医疗场景finetune模型，效果一定会比现在好很多。所以我们做这个benchmark，并不是为了证明AI不行，而是想告诉大家：如果没有专业团队、没有对客户workflow的理解、没有deployment和长期优化能力，仅靠一个通用模型，很难真正把enterprise healthcare跑起来。
ZP：那怎么区分到底是模型不会，还是agent不会？最大的瓶颈在哪里？
Weiran：我觉得如果模型和 healthcare agent harness 都做好，benchmark 分数应该能提高到 50% 以上。这里面其实有很多可以优化的地方，比如怎么从几千份 policy document 里把 workflow 提取出来，再整合进 agent prompt，或者拆成多个 agent 一起完成任务。包括 tool、prompt、skill，甚至整个 agent harness，本身也都还有很大的优化空间。这些问题不一定是模型本身不行，很多时候是整个 agent system 还没做好。
模型这边更大的难点还是 medical reasoning。比如面对病例和病人情况，模型能不能像医生一样判断 medical necessity，能不能制定 care plan，这些属于模型能力。但我觉得现在模型的推理能力其实已经非常强了，所以我不太担心纯 reasoning，本质上更难的是 policy retrieval、medical reasoning 和 tools 组合到一起之后，整个系统的 success rate 会明显下降。所以模型侧还是要继续提高 medical reasoning 和 medical knowledge；agent 侧则是要解决，怎么从海量 policy document 里更稳定地 retrieve 信息，并 feed 到 context 里。
ZP：我们有没有观察到一些规律？比如 policy、workflow、角色限制或者 tool use 里，哪些环节是 agent 最容易出错的？哪些问题对企业客户很致命，但行业低估了它的重要性？
Weiran：我先说一个很 exciting 的 finding。在 healthcare enterprise 场景里，开源模型其实已经快追平最好的私有模型了。比如我们的结果里，一些开源模型已经接近 Claude Opus 4.7 这种顶级私有模型。当然，两边现在效果都还不算特别好，这反而说明了一件事：不是谁明显更强，而是大家都还没有针对 healthcare 做足够的 finetuning 和 searching 优化。
这也意味着，这个领域不只是 agent 层有机会，模型层也有很大机会。很多大厂现在未必有足够精力和资源，去做医疗领域的数据采集和训练。所以对我们这种 20 人左右的团队来说，直接和大厂竞争通用模型并不明智，但如果这个方向足够重要、又没人真正 focus，我们未来其实有机会推出自己的医疗大模型。
目前最容易失败的地方主要有两个。第一是 policy retrieval，也就是没有从几十份、几百份甚至几千份 policy document 里，把当前 situation 需要的规则全部 retrieve 出来。第二是即使 retrieve 出来了，后面几十步、上百步里，系统能不能一直严格遵守这些规则。很多时候问题不是“不会”，而是“忘了”。
现在很多人会用 Anthropic 的 Skills 机制，但它有一个问题：skill 往往只在最开始 load 一次。比如通过 slash command 调用后，后面不会自动 reload。那如果第一次没 retrieve 全怎么办？后面做着做着忘掉了怎么办？因为 conversation 越来越长，每一步都有新的 input/output，如果系统不能及时把相关信息重新 retrieve 回来，后面的步骤就很容易偏离前面的 policy。
所以我觉得，agent harness 还有很多需要改进的地方。现在很多 harness 用的是 progressive disclosure，它不会一次性 load 所有文件，只会补当前相关内容。但问题在于，如果后面的任务超出了最开始读进来的范围，或者之前的信息被模型遗忘，它通常不会主动 reload。这其实是我们 benchmark 里 policy retrieval 不完整的核心原因之一。现在大家的 skill 规模还比较小，可能只是几个文件、几个 script。但未来到了 enterprise 场景，一个 skill 可能对应几百个文件。那这时候 scalability 怎么解决，系统怎么持续 retrieve、持续校验、持续遵守 policy，我觉得会是非常重要的 research question。
ZP：如果agent未来要从benchmark上的20%-30%提升到真正可以应用在市场上，关键突破可能来自哪里？
Weiran：最重要的突破就是刚才说的两块。我是这样看医疗领域的，它不需要一个IQ 200的人来做，不像解决scientific question或数学题，需要很高IQ。healthcare领域更强调的是retrieve到各种规则，然后strictly follow。它更强调policy adherence，而不是模型本身的intelligence。当然也可以说policy adherence也是intelligence的一部分，但我想强调的是，一个IQ 120但非常听话、能严格按手册做事的人，就能把healthcare任务做好，不需要一个IQ 200的人来做这个范围的task。
Enterprise task强调的是，在非常长的workflow里，能不能把各种branching logic、各种rule、行业规范严格遵守，做到100% accurate、strictly follow instructions。这是healthcare领域agent或模型需要优化的方向。
ZP：在行业影响力上，团队希望这个benchmark成为行业标准吗？希望它对行业造成什么样的影响？
Weiran：我觉得这是目前我看到最符合 enterprise workflow 的 healthcare benchmark。市面上很多 benchmark 还是在做 medical QA，但我们是在真实 simulate prior authorization、care management 这些 workflow。客户看到以后，会觉得这就是他们每天真实在做的事情。
如果一个 agent 或模型能在这个 benchmark 上表现很好，那从 research、prototype 到 deployment 的周期会大幅缩短。因为它测的不是简单问答，而是真实落地时会遇到的问题。很多 researcher 以前没接触过这些 workflow，所以之前很多 benchmark 根本没有测到真正困难的部分。不能一直拿“小学生题”去测试已经会做复杂 workflow 的 agent。
Frank：其实每个 benchmark 都在定义一个行业标准。SWE-bench 定义的是 coding，healthcare 也一样。现在 healthcare AI 公司很多，但客户很难判断哪些是真正有能力的 AI 公司，所以行业需要统一标准。就像高考分数一样，benchmark 本质上是在建立一个可比较的体系。
我们当然希望推动 healthcare AI 的发展。因为行业发展越快，整个市场都会变大。coding 已经证明了这一点，不只是第一名受益，整个行业都在增长。Healthcare 也一样。客户未来采购 AI 软件时，如果所有公司都用共同 benchmark 去测试模型和 agent，整个采购过程会更公平、更透明。
另外，模型和 agent 其实很难分开。模型更像研究问题，agent 更像工程问题，但两者本质上是耦合的。模型越强，工程能力越强；工程积累越多，模型未来也会把这些能力吸收进去。
我经常跟客户举一个例子。现在的大模型 IQ 可能已经有 130，比大部分人都聪明，但它聪明主要是在 coding 上，不是在 healthcare 上。那怎么办？一种方法是工程方式：给它 memory、skills、documents、行业手册，让它边读边做；另一种方法是模型方式：直接让它学会 healthcare，本身就具备这个领域能力。最终一定是模型能力和 agent 工程能力一起进化。
Healthcare workflow 最大的问题是，它通常是 one-shot、长链路，而且很多步骤是不可逆的。Coding 做错了还能 test、rollback、重新跑，但 healthcare 很多环节做错以后是回不去的。所以这里对 verification 的要求会高很多。再加上 context length 本身有限，不可能把所有 policy 一次性读进去，所以模型本身也必须具备更强的行业判断能力。
制定行业标准，对客户最大的价值是降低采购门槛。客户知道怎么比较产品，才会更愿意采购；更多人采购，行业才会继续增长。同时，benchmark 也会吸引更多 researcher 进入这个领域。为什么 coding 发展这么快？因为反馈信号特别强，写完立刻知道对不对。但 healthcare 很难，很多时候你根本不知道哪里错了。我们希望 benchmark 能把 healthcare AI 变成一个“可以被持续优化”的领域。
Weiran：我其实也是 SWE-bench 最早一批用户。当时整个 coding agent 领域还没真正起来，我觉得 SWE-bench 对行业影响非常大。因为它第一次把真实 programmer 的 workflow 做成 benchmark：从 GitHub issue、开 branch、写 feature、提 PR，到最后 merge，全部都是真实场景。
最早 SWE-bench 刚出来时，很多顶级模型成功率都只有个位数，很多甚至是 0。这件事对行业冲击特别大，因为所有模型厂商都不相信自己的模型会是 0 分，但测完发现真的很低，于是整个行业开始疯狂优化。现在几乎所有模型厂都在刷 SWE-bench。
我们也希望 healthcare benchmark 能达到类似效果：不是测简单题，而是直接测真实工作。大家发现问题、解决问题，然后整个行业一起进步。
ZP：我们的 benchmark 现在也开始被行业广泛关注了。能不能具体分享一下，目前获得了哪些影响力数据？对行业和客户产生了什么影响？
Weiran：我们的 benchmark 是2026年的5月20日才正式 launch，但目前反馈已经非常不错。首先，大概有三百多家媒体报道了这次 release，其中包括美联社、USA Today 这些比较主流的媒体。
第二，我们的 paper 当天在 Hugging Face 上进入了前十。那天其实有几百甚至上千篇 paper 发布，但无论是浏览量、点赞还是参与度，我们都排到了第七。对于一个 healthcare enterprise benchmark 来说，这个关注度已经很高了。
第三，我们把 benchmark 数据集完全 open source 放在 Hugging Face Dataset 上。现在 Hugging Face 上有上百万个 dataset，我们的数据集排名第六，表现也不错。
另外，我们主要通过 LinkedIn 和 Twitter 做传播。目前 LinkedIn 的整体数据比较好，我这边大概有六万左右的 impression，也被很多比较有影响力的账号转发，包括一些学校 professor、AI lab 账号等。我的个人 LinkedIn analytics 里，大概有一万 impression、五千 reach。目前我们其实还没有开始更大规模推广，但从现在的反馈来看，行业关注度已经超出预期。
03 从Healthcare Agent到行业Foundation Model，客户到底要什么？
ZP：你们认为未来 12 个月，healthcare agent 从 benchmark 到真正被企业部署，最大的瓶颈会是什么？什么可能会 slow us down，或者最关键要突破的是什么？
Frank：我觉得 healthcare 现在整体还是比其他 AI 行业稍微落后一点。最大的难点，其实还是让客户真正相信这个东西有价值，尤其是在合规、效率和实际 ROI 上，客户要愿意采购、愿意部署、愿意改变原来的 workflow。我们已经看到，相比去年年底，客户对 AI 的接受度明显高了很多，开始真正看到价值，但整个行业还处于比较早期阶段。
这也是为什么我们希望有更多企业、更多关注度进入 healthcare AI。如果 OpenAI、Anthropic 或更多公司开始进入这个领域，出现更多成功案例，整个行业 adoption 会明显加速。我们自己当然也希望做出很强的 case study，真正证明 AI 可以给 healthcare workflow 带来巨大提升，让更多客户愿意用。
目前 healthcare AI 里最成熟的，其实还是一些很小的 vertical 场景。比如医生和病人的对话录音后，自动生成 after visit summary，这类产品已经有比较高的 adoption 了。但如果要真正做到 end-to-end workflow automation，其实还很早。从单点 AI 工具，到完整 enterprise workflow，这中间还有非常大的 gap。
所以接下来最关键的，还是不断做出真实案例，让客户看到 AI 不只是 demo，而是真的能进入生产环境。我们也希望通过 benchmark、case study 和实际 deployment，推动更多企业开始采用 end-to-end healthcare agent。
ZP：除了 benchmark 之外，actAVA 本身在技术和产品上的进展，接下来会怎么规划？
Weiran：我先 echo 一下 Frank 前面说的，模型和 agent 其实是分不开的。未来 agent harness 会越来越简单，越来越多能力会直接融入模型里。但前提是，公司必须同时 own model 和 harness，两边一起做，才能真正协同开发。
所以我们下一步一个很重要的方向，就是推出自己的医疗大模型。大概一个月后，我们会发布自己的 healthcare foundation model。这也是我们后续产品路线里非常核心的一部分。我们内部其实也不会严格区分 research team 和 engineering team，大家更像一个统一的产品组。关键是模型和 harness 怎么一起演进。比如 agent harness 下一版要支持一个新 feature，那模型侧能不能直接针对这个 feature 做 training，把能力学进去；反过来，如果 engineering 发现某个 feature 工程复杂度太高，也可以考虑让模型直接学会，而不是继续堆工程。我觉得未来真正强的 AI 公司，一定是模型能力和 agent engineering 一起迭代。
另外一个变化是，agent 本身已经越来越 democratized 了。现在有各种 agent builder platform，也有 OpenAI Agents SDK、Claude Code、Codex、LangGraph、AutoGen 这些工具。今天一个工程师，只要足够感兴趣、愿意投入时间，几天到一周其实就能做出一个本地跑的 agent demo。虽然还不是 production-ready，但一年前这是很难想象的事情。
所以在这种情况下，我们这种 agent 平台公司，不能只停留在“提供一个 agent API，然后 plug into 客户系统”。未来真正的竞争力，会越来越偏 enterprise feature、deployment 和完整 workflow integration。我们希望和通用的 consumer agent 拉开差异。因为我们不仅仅是在做一个 agent，而是在做 enterprise 产品的一部分。用户选择、user experience、compliance、deployment、各种 enterprise feature，都要融合进 agent 平台里。仅仅提供 API 的模式，一年前可能还够，但未来一定不够。真正的 healthcare enterprise AI，最后拼的是完整产品能力，而不只是一个 agent 本身。
Frank：未来 12 个月，一个重点会是模型。因为我们发现，很多 healthcare 客户并不想完全依赖美国的大模型厂商，他们希望拥有自己的模型、自己的 deployment。所以我们会持续加强 healthcare foundation model 这条路线。另一个方向是行业扩展。虽然我们现在 focus healthcare，但已经有一些 partner 希望我们进入其他行业。因为我们的平台本质上是 build for any industry。以前行业软件很多是绑定在 Salesforce 上，但我们现在更偏中立，可以部署在 AWS、Google、微软、Oracle、英伟达等不同 infrastructure 上，也可以跨行业使用。
另外，我们也在逐渐把一些高频 use case 产品化。过去很多项目更像定制 agent，但长期来看，我们不希望每个客户都重新做一遍，而是希望把这些 workflow 直接做成成熟软件，让客户开箱即用。Agent 只是入口，真正重要的是完整 workflow software。
除了 agent 平台，我们现在也在做 AI training 和 AI security。很多企业已经开始内部使用 AI，但员工其实不知道 AI 的风险、漏洞和使用边界。所以我们会帮助客户培训员工怎么安全地使用 AI，也会帮助他们 audit 现有 AI system 有没有 security 或 compliance 风险。
目前我们已经做了大概 100 个 healthcare agent，七十多个 healthcare MCP tools，以及大概 180 个更通用、更细的 tools。这些工具很多都不是外面通用 AI 产品会做的，而是针对 enterprise workflow 深度设计的，比如 role management、human-in-the-loop、复杂审批流程等。企业真正需要的，从来不是一个“会聊天的 AI”，而是一整套可以进入生产环境的 AI infrastructure。很多客户其实不想自己做底层 agent infrastructure，因为这件事非常复杂。他们更希望专注自己的业务流程，而把底层 AI 能力交给我们。
ZP：以长期十年或者更长时间为目标，我们希望这个公司成为一家什么样的公司？长期愿景是什么？
Frank：我希望这是一家能真正长期存在的公司。对我来说，做大有时候没那么难，但“长期存在”其实比“快速增长”更难。一家公司能超过十年、不被收购，还能持续增长、持续给客户创造价值，其实非常不容易。
我之前经历过一次创业，知道公司做到五年、十年以后，会有一种很特别的感觉。你会看着它像自己的孩子一样成长，也会看到客户因为你的产品而真正变得更好，那种使命感会非常强。所以我希望这不是一个做几年就结束的项目，而是真正能做几十年的事业。我希望有机会打造一家像 Salesforce 那样，能存在 50 年、100 年的公司。尤其作为华人创始人，我们也希望能在美国医疗行业里，真正建立一家有长期影响力的 enterprise software company。
Weiran：我更多会从 AI 和模型的角度去想这件事。现在 consumer 领域的大模型公司，基本都已经建立了自己的商业模式，但 enterprise 领域，其实还没有真正属于行业自己的 foundation model。今天很多企业还是在使用通用模型，再通过 API 接进 workflow 里，但这些模型公司的重点，其实并不在 healthcare，也不在 enterprise，他们现在更多 focus 的还是 coding。
所以我觉得这里会有一个窗口期。未来两年，我们有没有可能联合医院，一起打造真正属于 healthcare 行业自己的大模型？这样医院的数据就能永远留在自己的系统里，不需要交给 OpenAI、Anthropic、Gemini，也不需要依赖外部模型厂商的 knowledge。模型是他们自己的，数据飞轮也是他们自己的。
我们想做的，其实不只是一个 healthcare AI 产品，而是帮助企业真正拥有自己的 AI 能力。企业的数据不需要离开系统，我们也不会使用这些数据。我们帮客户训练模型，最后模型属于客户自己，他们可以部署在自己的 infrastructure 里，持续 self-improve。我现在接触很多客户，都会担心一件事：AI 会不会让自己失业？但我们的想法不是替代，而是让企业真正拥有自己的 AI。你的数据是你的，未来你的模型也应该是你的。
另外，我觉得模型能力的发展速度其实远超很多人的想象。半年前大家还在讨论 4-bit quantization，现在 2-bit 都已经出来了。也许未来一两年，大模型真的可以在 laptop 本地运行，甚至完全不需要联网。到那时候，每个医生、每个医院，可能都会有自己的本地模型，而不是所有东西都依赖 cloud API。
如果真到了那个阶段，很多企业未必还愿意把自己的核心数据放到外部模型平台上。一方面 latency 更高，另一方面数据也会流出去。所以我们很看重 local deployment 和 private model 这条路线，这可能会成为 enterprise AI 一个非常重要的方向。当然，现在我们还是会先做 cloud-based、API-based 的方案。但未来如果 infrastructure 足够成熟，我们一定会往 local deployment 去走。因为对很多 enterprise 客户来说，更低 latency、更低成本、更强数据安全，都会是非常重要的需求。
Frank：从公司的角度来说，我们最终目标只有一个，就是帮客户获得最好的 AI solution。所以无论客户想用 OpenAI、Anthropic，还是想用自己的模型，我们都会支持。我们必须兼容所有路线。
但我们自己也有一个判断。未来的大模型生态，可能更像数据库行业。不会只有一两个模型统一所有世界，而是会有很多模型，各自解决不同问题。所以我们会继续和最好的模型厂商合作，因为他们在推动整个行业；同时，我们也会持续做自己的模型。
自己的模型有几个非常现实的优势。第一是成本，第二是数据安全，第三是 domain optimization。客户的数据留在自己手里，模型又针对自己的 workflow 做过训练，效果往往会更好。更便宜、效果更好、数据还属于客户自己，这件事长期一定会有吸引力。
但无论最后技术怎么演进，我们有一个原则不会变：客户成功永远是第一位。Whatever it takes，我们都要帮客户成功。
