临床队列构建往往需要按不断演化的入排标准反复调整筛选逻辑。传统做法在用户提出一次修改后，倾向于重新生成整个规范并重跑全部计算，即便其中大部分条件并未改变。arXiv 论文《CohortFlow: A Steerable Clinical Cohort Curation Agent with Localized Semantic Correction》提出一种可控的智能体框架，其核心思路是把用户的自然语言修正视为对结构化队列规范的局部更新，而不是一次全量重写。
CohortFlow 由论文作者 Neil Chen 及另外五位合作者完成，归类于 cs.AI，编号 arXiv:2610.36100，于 2026 年 10 月 26 日提交。系统维护一份结构化的队列规范，同时维护一张持久化的执行图；当用户以自然语言提出修正时，智能体将修正解析为对规范中特定字段的定点修改，再把这些修改与执行图中已有的节点对齐。由于语义依赖被显式记录，系统可以判断哪些计算受到影响并只对这些部分做失效处理，而未受影响的先前结果继续保留有效。
作者在 100 个源自临床试验入排标准的场景上进行了评估，这些场景共包含 126 个修正轮次。在相同 8B 模型下，局部化引导达到 77.0% 的需求级 micro-F1，而全量重新生成为 76.4%。作者明确指出，这一数值上的小幅优势并不具备统计显著性（p=0.493），因此准确率并非该方法的主要卖点。
效率方面的收益更为明显。在队列构建完成之后的修正中，局部化引导将平均修正延迟降低 64.8%；在队列仍在执行过程中的修正，延迟降低 44.3%。同时，模型调用次数减少 38.1%。这说明通过只重算必要部分，系统在保持较强需求级准确率的同时显著降低了交互成本。
论文还报告了一项独立的概念验证评估，数据来自 MIMIC。在该评估中，全部 13 个队列状态均成功执行，修正轨迹也体现出预期行为：未受影响的中间计算被选择性保留，而发生变更或依赖变更的计算节点则被重新计算。
综合来看，作者认为局部化的语义引导能够大幅降低修正延迟与模型调用量，同时维持较强的需求级准确率。该方法的意义在于把修正从整体重做转变为对执行图的定点更新，为需要频繁调整条件的临床队列筛选场景提供了一种更高效的交互范式。不过，作者也提示准确率提升有限且不显著，后续仍需在更大规模和更多数据源上验证其泛化能力。