AD MIND Pipeline 把 ad-synthetic-generator 输出的 30 天多模态轨迹 ，通过 Analyzer (统计) + 3 LLM Agent (Physio/Behavior/Clinical) + Narrator 的链路，转化为带可追溯推理链的临床报告。 所有判断都引用具体 fact_id 和 knowledge_id，可反查到原始数值与文献。
合成或真实多模态数据 + 真实健康 baseline + 文献/采访固化的专家知识库, 经过 Analyzer 统计提取 fact、3 个 LLM Agent 解读、Narrator 抛光叙事, 最终生成医生可追溯的临床报告。
纯统计 + 模板, 不调 LLM。z-score 偏离、30 天趋势、双任务代价、量表对比、跨模态签名 → 输出结构化 DataFact[]。
按 fact 的 modality/tags/severity 路由检索 35 条 JSON 知识。每条带 evidence level + PMID。
Physio (传感器) + Behavior (BPSD/EMA) + Clinical (综合) 各一次 sonnet-4 调用。每条 insight 必须引用 fact_id + knowledge_id。
Threader 按 alert 等级排序 + Insight Card 两段式渲染 + Chart Spec → 医生版报告 + 家属版简报。
所有定量计算 (z-score / DTC / 趋势斜率) 由 Analyzer 用 numpy 算, 喂给 Agent 的是"已计算好的事实"而非原始 CSV。这能彻底规避 LLM 算错数字。
不是 Agent 自己想查什么就查什么, 而是 fact 的 tags 自动决定查什么知识, 确保事实和知识必然配对, 杜绝知识"空引用"。
每条 insight 必须列出依据的 fact_id + knowledge_id, 医生看到结论可反查到原始数据 + 文献。这是临床落地的硬性要求。