SIGNAL 02
软件 App 产品样本Trellis Health:AI 先读十年病历,再回答孕产与恢复问题
Trellis 没把“个性化”停在孕周和几道问卷,而是先自动聚合长期病历,把症状、化验和 wearable 放到个人基线里,再让 AI 回答、真人接手、医生复用。
关键机制 / 关键事实
-
目标用户: 目前服务孕期到产后两年的女性;高频场景包括凌晨问症状和用药、观察产后恢复、理解化验变化,以及就诊前整理问题。
-
入口先建上下文: iOS 注册与身份验证后,厂商称可从 50,000+ 医疗机构聚合超过 10 年病历,不需要用户逐个登录 portal 或手抄资料。
-
数据如何形成反馈: 病历、症状、实验室结果和 wearable 数据组成个人基线;AI copilot 用这些上下文回答,低确定性或需要专业判断时转 clinician;系统还能产出就诊摘要和可分享的问题清单。
-
商业与成熟度: 提供 1 个月试用,会员含 AI 指导、clinician messaging 和完整健康档案,居家检测另收费。App 当前为 v2.2.1(5 月 13 日),美国区只有 18 个评分;“50,000+ 机构”和检测项目数量均为厂商口径。
编辑视角健康 AI 的个性化不该只靠用户重复讲故事。更值得借的是先设计一个 context package(上下文包):当前阶段、历史变化、设备数据、近期异常、已尝试动作,再让 AI 回答;回答后还能一键变成专业人员看得懂的摘要。
用 45 分钟选“泵奶量突然下降”场景,定义 AI 回答前必须读取的 6 项上下文,再画一张给泌乳顾问的单页摘要;如果字段不足,就让系统先追问,不急着给结论。
SIGNAL 03
工具链·当前发布Muse Code:长任务的关键不是“记得更多”,而是崩溃后能从原动作继续
Meta 新发布的 Muse Code beta,把长时间 agent 最容易丢的“过程状态”做成底层能力:每次模型调用、工具运行、审批和编辑都进入本地事件日志,因此任务可以精确回放并在中断后续跑。
关键机制 / 关键事实
-
后台 agent 不临时召回: 多个 async background agents 在整个会话持续存在,主动推进下一步并选择何时向主 agent 汇报,减少反复重新理解任务。
-
事件日志是唯一事实源: 模型调用、工具、审批、编辑全部 append-only 记录;官方称这让运行过程 replay-exact、restart-safe,崩溃后可从停止位置恢复。
-
工作方式被做成技能: /plan 先产出需批准的计划,/grill 反向拷问计划,/goal 持续追目标;Muse Spark 1.2 还与这套运行框架共同训练,而不是只换一个底层模型。
-
长跑边界: 官方展示了 1,000+ 次工具调用、最长 24 小时的 GPU kernel 优化案例,但目前仍是 beta,缺少第三方采用数据;这证明机制存在,不证明普通任务都更好。
编辑视角一个能跑几小时的 agent,真正需要持久化的不是聊天记录,而是做过哪些动作、为什么获批、改了什么、失败后从哪继续。这套“过程可恢复”设计,同样适用于长期运行的产品分析、VOC 和内容任务。
用 30 分钟在一个可丢弃的小项目里试 Muse Code:启动多步任务后主动中断,再重开检查它是否真的从原动作续跑;只记录恢复位置、重复动作、人工确认三项。