임상 기록에는 환자가 치료를 받게 된 징후와 증상이 많이 포함되어 있지만, 이 정보는 구조화된 필드에 거의 도달하지 못합니다. 기존의 추출 접근 방식은 오탐(false positives)을 생성하는 문맥 비민감적 규칙에 의존하거나 상당한 미세 조정(fine-tuning)이 필요한 지도 학습 모델에 의존합니다. 우리는 수동적인 프롬프트 엔지니어링이나 미세 조정 없이 임상 개념에 대한 추출 프롬프트를 자율적으로 작성하고 최적화하는 다중 에이전트 시스템인 Pythia를 소개합니다. 로컬 환경에서 호스팅되는 오픈 웨이트(open-weights) 모델로 작동하는 Pythia는 임상 기록을 로컬 인프라에 유지하며 개발 세트의 민감도와 특이도를 사용하여 프롬프트를 선택합니다. 우리는 387명의 환자를 대표하는 400개의 임상 기록에서 나온 72가지 징후 및 증상을 대상으로 Pythia를 선별된 어휘집(lexicon)과 비교했습니다. 개발 세트($n=300$)와 검증 세트($n=100$)는 각 개념에 대해 독립적으로 분할되었습니다. Pythia는 평균 민감도 0.76, 특이도 0.95를 달성하여 어휘집의 0.82 및 0.76과 비교되었으며, 직접적으로 비교 가능한 62개 개념 중 20개에서 두 지표 모두에서 어휘집과 일치하거나 능가했습니다. 어휘집이 모든 기록을 양성으로 분류한 14개 개념의 경우, Pythia는 임의의 텍스트 언급보다는 현재 시제이며 환자에게 귀속된 소견을 요구함으로써 평균 특이도 0.97을 회복했습니다. 민감도는 유병률(prevalence)에 따른 감소가 적어 개발에서 검증으로 전이되었으나, 민감도는 유병률이 5% 미만일 때 약해져 2% 미만에서는 평균 격차 0.25에 도달했습니다. 동일한 개발 세트에서 개념별로 미세 조정된 BERT 분류기는 평균 민감도 0.23을 달성했으며, 대략 5% 미만의 개념에 대해서는 민감도가 0으로 무너졌습니다. 이러한 발견은 자율적이고 미세 조정이 필요 없는 프롬프트 최적화가 개발에서 검증으로 효과적으로 일반화될 수 있는 증상 추출 프롬프트를 생성할 수 있으며, 동시에 로컬 인프라에 배포 가능함을 시사합니다.