臨牀隊列構建往往需要按不斷演化的入排標準反覆調整篩選邏輯。傳統做法在用户提出一次修改後，傾向於重新生成整個規範並重跑全部計算，即便其中大部分條件並未改變。arXiv 論文《CohortFlow: A Steerable Clinical Cohort Curation Agent with Localized Semantic Correction》提出一種可控的智能體框架，其核心思路是把用户的自然語言修正視為對結構化隊列規範的局部更新，而不是一次全量重寫。
CohortFlow 由論文作者 Neil Chen 及另外五位合作者完成，歸類於 cs.AI，編號 arXiv:2610.36100，於 2026 年 10 月 26 日提交。系統維護一份結構化的隊列規範，同時維護一張持久化的執行圖；當用户以自然語言提出修正時，智能體將修正解析為對規範中特定字段的定點修改，再把這些修改與執行圖中已有的節點對齊。由於語義依賴被顯式記錄，系統可以判斷哪些計算受到影響並只對這些部分做失效處理，而未受影響的先前結果繼續保留有效。
作者在 100 個源自臨牀試驗入排標準的場景上進行了評估，這些場景共包含 126 個修正輪次。在相同 8B 模型下，局部化引導達到 77.0% 的需求級 micro-F1，而全量重新生成為 76.4%。作者明確指出，這一數值上的小幅優勢並不具備統計顯著性（p=0.493），因此準確率並非該方法的主要賣點。
效率方面的收益更為明顯。在隊列構建完成之後的修正中，局部化引導將平均修正延遲降低 64.8%；在隊列仍在執行過程中的修正，延遲降低 44.3%。同時，模型調用次數減少 38.1%。這説明通過只重算必要部分，系統在保持較強需求級準確率的同時顯著降低了交互成本。
論文還報告了一項獨立的概念驗證評估，數據來自 MIMIC。在該評估中，全部 13 個隊列狀態均成功執行，修正軌跡也體現出預期行為：未受影響的中間計算被選擇性保留，而發生變更或依賴變更的計算節點則被重新計算。
綜合來看，作者認為局部化的語義引導能夠大幅降低修正延遲與模型調用量，同時維持較強的需求級準確率。該方法的意義在於把修正從整體重做轉變為對執行圖的定點更新，為需要頻繁調整條件的臨牀隊列篩選場景提供了一種更高效的交互範式。不過，作者也提示準確率提升有限且不顯著，後續仍需在更大規模和更多數據源上驗證其泛化能力。