核心要点
1
反直觉
原因找对了，行动错了：保险覆盖出了问题，系统建议派更多销售代表
系统正确识别了处方量下降 18% 的根因（保险公司把药调到了更差的覆盖层级），但建议的行动是"派更多 rep 去拜访医生"——这是一个保险问题，不是销售问题。没有一个 Agent 拥有全局图景。
2
核心判断
不是模型失败了——是我们分工的方式失败了
他们模仿人类分析师的四步法（信号→归因→行动→展望），给每步造一个 Agent + Orchestrator。系统的结构决定了它必然不连贯——每个 Agent 只传结论不传推理过程。
3
技术陷阱
让 LLM 判断 18% 的波动是信号还是噪音——这是统计学该回答的问题
Signal Detection Agent 有时候跑了统计方法，有时候只看了一眼数据就宣布"这是信号"。信号检测本质是确定性计算，不应该交给概率模型。
4
致命缺陷
每次交接都丢上下文：解释下降的那条线索，始终没有到达写建议的那个 Agent
Driver Attribution Agent 找到了真正的原因（保险覆盖变化），但只把结论传给了 Synthesis Agent。后者不理解为什么保险比销售代表更重要，因为它从来没看到过推理链条。
5
方法论转折
停止设计架构——开始推导它。打开空目录，给 Claude Code Bash 和数据库，然后观察
团队没有回到白板重新设计拓扑。他们给一个裸 Agent 一个真实的 KPI 下降信号，看它自己怎么做。从 trace 中推导出三个修复方案——重建出来的架构比原来更小，不是更大。
6
架构决策
统计找信号，Agent 做解释——语言模型是推理引擎，不是统计引擎
信号检测完全拆成确定性管线（统计方法 + 阈值 + 优先级排序），在 Agent 启动之前跑完。信号放到队列里，Agent 醒来后只做调查和解释。
7
架构决策
取消的不是并行——取消的是分布式推理。判断权集中在一个 Agent
一个 Analyst Agent 端到端拥有推理权。子 Agent 只在需要聚焦调查时启动（比如"验证这个区域的 rep 活跃度是否真的下降了"），返回的是调查结果，不是推理判断。
8
架构对比
V1 vs V2：从分散推理到集中判断
❌ V1（砍掉前）
- 4 个专职 Agent + Orchestrator
- 每次交接丢失上下文
- 每个 Agent 自己推断业务关系
- LLM 做信号检测
✅ V2（重建后）
- 1 主 Agent + 按需子 Agent
- 推理集中不分散
- 知识图谱提供业务领域
- 确定性管线做信号检测
9
核心洞察
图谱不只是增加了上下文——它结构化了整个调查过程
制药知识图谱映射了地理层级（National→Region→Territory）、品牌、Payer、KPI 及其因果关系。它不是查找层，是控制平面——规定 Agent 可以走哪条路径、评估哪些假设。
10
机制细节
每条边都是一个假设——数据仍然需要验证它，不是因果的证明
Agent 从一个实体开始，查看图谱邻域获取假设，回到原始数据验证（SUPPORTS / CONTRADICTS），然后继续遍历或停止。WHERE Protocol 定位集中度，WHY Protocol 沿驱动因子 KPI 遍历（max_depth=6，环路保护）。
11
实战成果
50+ 个 turn 之后，20 分钟完成分析师一个月的工作
重建后的系统从信号检测到完整分析报告，过去需要分析师三到四周完成——现在跑一轮 20 到 30 分钟。这不是 demo，是给全球头部制药公司用的生产系统。
12
四条收获
架构应该被推导，不是被设计。图谱是控制平面，不是查找层
① 架构应该被推导，不是设计 ② 分离确定性和 agentic 部分 ③ 一个 Agent 端到端拥有推理权 ④ 把图谱当控制平面，不是查找层。