脑电图（EEG）技术已经存在近百年，按理说，它早该像血压计一样普及。但现实中，读懂大脑信号仍然是少数专家的“专利”——不仅需要复杂的编程，还得针对每个任务重新设计分析流程。这个困境，在人工智能时代有解吗？
浙江大学脑机智能全国重点实验室的潘纲教授团队，在LLM驱动的自主智能体领域实现了一项关键突破：他们提出了BrainAgent，一个由大语言模型（LLM）驱动的多智能体框架。这个框架的核心能力：把一句普通人说的自然语言——比如“分析我的睡眠数据，看看有没有失眠风险”——自动转化为严谨、可执行、端到端的脑信号处理流水线。
图1 BrainAgent框架概览：中央监督器解析用户查询并分派模块化子智能体，利用通用与领域专用工具及知识库执行特定领域任务，最终将子智能体输出聚合为系统响应
脑信号分析的老难题到底是什么？
标准的脑信号分析，尤其是EEG，通常遵循一条漫长的流水线：数据采集、预处理、特征提取、下游分类或诊断。早期的研究依赖专家手工设计特征，后来深度学习实现了端到端的表示学习，但这些方法本质上都是任务特定的——一个模型只能做睡眠分期，换到情绪识别就得重新训练。
更麻烦的是，现有的分析范式缺乏智能体自主性（agentic intelligence）。什么意思？如果你让一位临床医生分析一份睡眠脑电，他不仅会做睡眠分期，还会检查微事件（比如睡眠纺锤波、K复合波），评估呼吸暂停风险，最后生成一份诊断报告。这是一个复杂的、长程的、多步骤的工作流。但现有的AI工具大多只能完成其中某一个孤立环节，而且每次使用都需要写代码、调参数、配环境。
这就造成了两个根本瓶颈：
第一，技术门槛极高，临床医生和一般研究者难以参与；
第二，分析范式静态且僵化，无法应对真实世界中连续的、端到端的复杂需求。
发现“智能体联邦”：一个会分派任务的AI大脑
BrainAgent的解决方案，是构建一个分层多智能体架构。想象一个医院：主任医师（Supervisor）负责接诊和制定总体方案，然后把具体检查分派给各个专科医生（Sub-Agent）——睡眠专家做睡眠分期，情绪专家评估焦虑水平，最后主任汇总所有报告，给出综合诊断。
在这个框架中，中央监督器（Supervisor）是核心大脑。它不做具体的信号处理，而是专注于高层意图推理：理解用户到底想要什么，把复杂请求拆解成子任务，然后分派给专业的子智能体。每个子智能体（如SleepAgent、EmotionAgent）都是特定领域的专家，它们只看到自己该做的任务，调用专属的工具集和知识库，执行具体的分析流水线。
图2 L1任务执行轨迹可视化：用户请求绘制睡眠hypnogram，监督器正确识别单领域意图并分派至SleepAgent，后者自主构建线性工具链生成目标图表
这种设计的精妙之处在于上下文隔离与资源解耦。子智能体看不到全局对话历史，只接收具体指令和前置结果，这避免了“注意力分散”；同时，每个子智能体只访问自己领域的工具，不会因为工具库膨胀而陷入“选择困难”。论文中的对比实验显示，当工具集规模扩大到5倍时，单智能体基线的任务完成率暴跌至0.40，而BrainAgent依然稳定高效。
数字层面的结果同样令人印象深刻。在最具挑战性的L3混合任务（需要跨领域协作的抽象意图理解）中，以Qwen-Max为骨干的BrainAgent取得了0.77的任务完成率，而DeepSeek-v3.2更是达到了0.79。
更惊人的是异构架构实验：用一个强大的Qwen-Max作为监督器，搭配轻量级的Qwen3-8B作为子智能体，平均任务完成率从0.46跃升至0.70——这意味着小模型的瓶颈不在执行，而在高层规划，而强监督器恰好补上了这块短板。
图3 L3任务执行轨迹可视化：用户查询情绪状态与恢复性睡眠质量的因果关系，监督器将抽象意图分解为并行子任务，由EmotionAgent量化精神疲劳与稳定性，SleepAgent评估深度睡眠与效率，最终由监督器综合生成跨领域分析报告
背后的协作机制：从自然语言到可执行流水线
这套框架最神奇的地方，在于它实现了意图到流水线的动态翻译。当用户说“评估患者焦虑诱发失眠的风险”时，系统不会傻等一个现成的“失眠风险评估工具”（实际上也没有这种超级工具），而是自动分解为：先让EmotionAgent分析情绪生物标志物，再让SleepAgent检测睡眠片段化和效率，最后由监督器交叉推理，把“焦虑marker”和“睡眠碎片化”关联起来。
每个子智能体内部都遵循严格的工具调用协议：先检查当前状态能否直接回答；如果不能，就将任务分解为原子步骤，一次性规划完整的工具序列，而不是走一步看一步。工具执行完毕后，子智能体还会检索领域知识库——比如睡眠领域的AASM手册、情绪领域的额叶α不对称性（FAA）文献——将原始技术输出转化为带有临床语境的专业报告。
图4 Qwen3-Max在L3任务上的失败案例分析：尽管智能体正确规划了高层步骤，但未能执行Alpha波段可视化所需的隐式预处理步骤（带通滤波），揭示了隐式依赖疏忽的挑战
当然，系统并非完美。论文坦诚地展示了失败案例：当用户要求“可视化Alpha波段的PSD分布”时，EmotionAgent直接调用了绘图工具，却忽略了EEGPreprocessor的带通滤波步骤——因为用户没有明确说“先滤波”。这种隐式依赖疏忽表明，在神经信号这种高度专业化的领域，智能体仍需学会填补人类意图与物理现实之间的“常识鸿沟”。
要想读懂大脑，AI得学会“分工”
如果只停留在实验室演示显然不够。BrainAgent的真正价值，在于它指向了一条脑信号分析的各司其职路径。
当前主流的脑电分析，本质上仍是“专家手工操作”：打开MATLAB或Python，调用MNE或EEGLAB，写几十行代码做滤波、重参考、ICA去噪。对于临床医生来说，这无异于让内科医生自己造血压计。
BrainAgent的方案则完全不同：用户只需要用自然语言描述需求，剩下的由智能体联邦自动完成。监督器负责“听懂人话”，子智能体负责“专业执行”，知识库负责“有据可依”。这种模块化、协作式的设计，使得系统可以无缝扩展——今天加入睡眠和情绪模块，明天可以接入癫痫检测、注意力评估，甚至fMRI和fNIRS等其他模态。
研究人员指出，这一框架显著降低了技术壁垒，使临床医生和一般研究者无需专业编程技能即可进行高级分析。更重要的是，它从孤立的解码器进化为能够自主推理和综合执行的智能伙伴。
从孤立解码到自主理解：范式转换的意义
这项研究还触碰到一个更基础的认知问题。传统AI把大脑视为被动的信号源：数据输入，模型处理，结果输出。但BrainAgent支持的框架截然不同：智能体主动理解意图、规划流程、调用工具、检索知识、综合报告——这是一个感知-行动-认知的闭环。
这和近年来AI领域兴起的智能体（Agent）范式不谋而合：智能不在于模型参数的规模，而在于系统能否在正确的时间调用正确的工具，并与环境持续交互。正如论文所强调的，BrainAgent标志着从“解码中心范式”向“智能体范式”的关键转变。
整个研究不需要训练一个万亿参数的巨型脑电模型，而是依靠一个可扩展的分层架构、清晰的职责分离和严谨的工具协议，就在复杂的临床级分析任务上取得了接近专家水平的可靠性。不靠算力堆砌，它靠的是对自主智能（Autonomous Intelligence）和协作分工的深刻理解。
这或许才是对脑机接口领域最具启发：下一代神经技术系统的突破口，可能不在于更大的模型、更多的标注数据，而在于如何让AI学会像专家团队一样思考、分工与协作。
参考：https://arxiv.org/abs/2606.25400
脑机接口社区是国内首家脑机接口(BCI)产业服务平台、国内脑机接口新媒体开创者与引领者。主要为企业、科研团队、投资机构和从业者提供以下服务：
宣传报道：图文、短视频、直播形式报道企业动态、技术解读、产品介绍等内容，提升曝光和行业影响力。
资源对接：根据需求匹配资本、供应链、临床机构、渠道方等资源，完成真实对接，促进合作。
成果转化：协助技术团队寻找产业方、投资人及落地场景，推动技术到产品的转化。
活动策划执行：承接线上线下路演、沙龙、论坛等活动的策划与执行。
其他定制需求：包括报告定制、市场调研、人才招聘支持等个性化服务。
合作洽谈，请联系微信：ZuoLeiLeiya
（备注：姓名-单位-合作）
投稿丨成为创作者，请联系微信：RoseBCI
🌟星标置顶🌟
不错过每一条脑机前沿进展
一键三连「分享」、「点赞」和「在看」
欢迎在评论区聊聊
