近期，“Structured”（结构化）在AI领域展现出多重角色，从推理模型的自我认知到临床数据标准化，再到Agent记忆工具，均强调通过结构化提升可靠性与实用性。
- 主要进展：
- 推理模型承认不确定性：论文"Structured Ignorance Certificates"提出一种让推理模型输出结构化“无知证书”的方法，当模型对答案不确定时，能显式声明并给出置信度，避免虚假推理（Structured Ignorance Certificates：让推理模型学会承认“不知道”）。
- 临床文本结构化基准："MedCase-Structured"项目将医疗文本转化为FHIR（快速医疗互操作性资源）结构化数据，用于构建诊断推理基准，提升模型临床理解的标准化程度（MedCase-Structured：将文本转为FHIR数据，用于临床诊断推理基准测试）。
- Agent记忆作为检查工具：在Step 3.7 Flash实测中，Agent通过保留结构化记忆痕迹（如决策链路、操作日志），允许用户回溯并修正错误，将记忆转变为可交互的检查点（Step 3.7 Flash 实测：把Agent Memory痕迹变成本地检查工具）。
当前焦点： 结构化正从数据格式层面延伸至模型行为层面——不仅要求输出规范，更要求模型自我认知的透明化（如无知证书）与过程可审计（如记忆检查）。未来可观察：结构化方法能否平衡表达灵活性与约束性，以及其在医疗等高风险场景的应用推广。