OpenEvidence入华受阻：本土循证智能体如何破局医疗市场？

随着医疗智能工具在全球范围内加速落地，行业正在形成一个越来越清晰的判断：医疗 AI 的价值，已经不再只取决于“会不会回答”，而更取决于“能不能进入真实临床流程”。

在这一范式转移下，全球医疗 AI 正逐渐分化出三条具有代表性的技术路径：以 OpenEvidence 为代表的“循证检索流”，以通用大模型为基础的“生成增强流”，以及以轻松健康“证元芳”为代表的“循证智能体流”。

2026年3月9日，轻松健康（02661.HK）正式推出“证元芳·MedClaw 协作体”，将证元芳与 OpenClaw 多智能体框架深度融合，医生可在平台内一键调用多 Agent 协作能力，无需额外部署或复杂配置，即可完成从任务拆解、证据检索、指南比对、结论生成到过程归档的完整闭环。这个动作意味着，循证医学工具的竞争，正在从“单点问答能力”转向“临床协作能力”。

路径分野：检索、生成与决策的逻辑博弈

OpenEvidence 作为海外循证医学工具的代表，确立了“高效循证检索”的行业标准。它的核心价值，在于帮助医生快速定位权威文献、临床指南与研究依据，大幅提升循证信息获取效率。从产品定位来看，OpenEvidence更偏向于“证据的呈现者”和“参考信息的组织者”，主要服务于医生的循证参考环节。也就是说，它解决的是“更快找到证据”的问题，而不是“如何把多源证据转化为适配具体患者情境的决策支持”的问题。对于变量复杂、个体差异显著的临床场景而言，这类工具在多源患者信息综合推理、诊疗路径整合和执行流程闭环方面，覆盖仍相对有限。对中国医生来说，语言体系、诊疗规范、医保规则与本土病例经验的差异，也进一步提高了国外工具直接进入中国临床的门槛。

与之相比，通用医疗大模型代表了另一种路径。它们依托大规模语料训练，展现出极强的知识广度、表达能力和交互效率，在健康咨询、知识问答、医学教育等场景中具备明显优势。但这一路径的底层逻辑仍然是概率生成，其输出机制天然带有“黑箱”属性。在医疗这一强调责任边界、证据出处和过程可追溯的高严肃场景中，仅仅“生成一个看起来合理的答案”远远不够。医生需要知道，结论依据了哪些指南、引用了哪些研究、证据等级如何、不同证据之间是否存在冲突，而这些恰恰是通用生成式模型最容易模糊化的部分。因此，通用医疗大模型更适合作为“咨询参考工具”，却很难直接成为可信的临床决策支撑系统。这个问题的核心，不是模型够不够聪明，而是医疗场景对“可解释、可验证、可归档”的要求，决定了单纯生成式路线存在天然边界。

轻松健康“证元芳”所走的，则是第三条路径：循证智能体路径。不同于前两者的“搜索”或“生成”，证元芳更强调以循证医学方法论来组织 AI 的工作方式，通过模拟高年资医生的临床思维路径，对临床问题进行拆解、检索、比对、评估和推理，再生成最终建议。而最新发布的“证元芳·MedClaw 协作体”，则进一步把这种能力从“单智能体回答”升级为“多智能体协同处理”。

在 MedClaw 架构中，证元芳负责医学证据检索、临床指南比对、结论可信度分级等循证核心能力，OpenClaw 则作为协作底座，驱动任务规划 Agent、内容生成 Agent、过程留痕 Agent 等多个智能体协同运转，形成“循证中枢 + 协作底座”的双引擎架构。这样一来，证元芳不再只是一个回答问题的工具，而成为一个可以处理复杂问题、并把推理过程显性化的系统。

从“给答案”到“支撑决策”：MedClaw 带来的能力跃迁

如果说 OpenEvidence 的核心是“帮助医生更快找到依据”，通用医疗大模型的核心是“更快生成回答”，那么证元芳·MedClaw 协作体的核心，则是“把循证过程本身嵌入到临床决策链条之中”。

根据公开信息，MedClaw 在上线初期重点覆盖三大场景：循证诊疗决策支持、多指南一致性比对，以及病例讨论与科研辅助。医生输入一个临床问题后，系统可以自动把复杂任务拆解为多个子任务，分别检索最新文献与权威指南，并在交叉比对基础上生成结构化的循证建议报告，同时标注证据等级与推荐强度；对于同一问题，系统还可并行调取国内外多部指南，清晰呈现共识点与分歧点；在疑难病例讨论、学术文章撰写等场景中，MedClaw 还能进一步完成文献综述、数据整理、论点组织等工作，并对全过程进行留痕，便于回溯与审计。也就是说，它试图解决的已不再是“问答效率”，而是“复杂医学任务如何可靠协作完成”的问题。

这也是证元芳与 OpenEvidence 最根本的差异之一。OpenEvidence 代表的是“高质量循证检索工具”，而证元芳·MedClaw 更像是“可嵌入流程的循证协作系统”。前者更接近临床信息查询入口，后者则开始向诊疗、讨论、科研乃至后续流程管理渗透。尤其在中国医疗环境中，医生真正需要的往往不是一个“给我几篇文献”的工具，而是一个能够结合本土指南、诊疗规范、医保规则和真实临床表达习惯，帮助自己完成任务拆解、证据比对和结构化输出的工作系统。

MedClaw 的推出，本质上是在回答一个更贴近中国临床现场的问题：医生到底需要怎样的循证工具？答案不是一个更快的搜索框，也不是一个更会说话的生成模型，而是一个能够被嵌入工作流、并且全过程可追溯的循证协作体。

核心竞争力：本土数据底座与原生合规，构成“信任护城河”

循证的前提是“有证可循”，而“证”的质量、覆盖度和本土适配程度，决定了一款循证工具最终能走多远。相比以英文文献积累见长的海外产品，证元芳的差异化优势在于其面向中国医疗场景构建的知识底座。原稿中提到，证元芳已构建覆盖5000万+ 条中英文权威医学数据的知识体系，整合国际医学文献、中国医学期刊、临床指南、教科书、专家共识及结构化医学知识图谱，并进一步沉淀本土病例库等“暗数据”优势。

这样的底层架构，使其在面对符合中国医保政策、用药习惯、疾病谱特征和诊疗路径的临床问题时，具备更强的本土适配能力。也正因为如此，证元芳的竞争维度并不只是“医学知识是否够多”，而是“在中国场景下是否更可信、更可用、更容易进入流程”。MedClaw 的价值，正是建立在这一知识底座之上，把证元芳原有的循证能力进一步系统化、协作化和流程化。

从监管与合规维度看，这种差异也更加明显。公开报道显示，证元芳·MedClaw 协作体的设计强调“让医生在每一步决策中都能看到证据来源和推理过程，而不是面对一个黑箱式的结论”，其后续还将探索与医院 HIS 系统、电子病历系统的深度对接，推动循证协作从“辅助决策”走向“融入流程”。这意味着，轻松健康正在尝试的不只是一个工具层产品，而是一套更贴近中国医疗机构应用逻辑的能力体系。在医疗 AI 的下半场，真正的分水岭已经不是谁更会生成答案，而是谁更能在真实世界里被信任、被审计、被接入、被持续使用。

结语：医疗AI的下半场，不是“更聪明”，而是“更可信”

从 OpenEvidence 到通用医疗大模型，再到证元芳·MedClaw 协作体，三条技术路径的差异，表面上看是“检索、生成、协作”的不同，背后其实对应着医疗 AI 三种不同的价值取向：是服务于信息获取，服务于答案生成，还是服务于真实决策。前两者分别解决了“找证据”和“出答案”的问题，而后者试图进一步解决“如何让证据真正支撑决策”的问题。

轻松健康发布证元芳，以及最新推出证元芳·MedClaw 协作体，在循证医学方法论之上，为医生配备一套拥有本土知识底座、可解释推理链条和多智能体协同能力的数字化协作系统。对于中国临床而言，这样的工具更接近现实需求，即在复杂医疗场景中，把证据、推理与决策支持真正衔接起来。某种意义上，这或许也给出了“对标 OpenEvidence，中国医生需要怎样的循证工具”这个问题的本土答案。