OncoAgent adressiert drei strukturelle Schwächen kommerzieller klinischer KI-Systeme: halluzinierte Empfehlungen ohne Leitlinienverankerung, Cloud-Abhängigkeit in datenschutzsensiblen Umgebungen sowie monolithische LLM-Architekturen, die bei komplexen Mehrfachdiagnosen an Kontextgrenzen scheitern. Das System dekomponiert klinisches Schlussfolgern auf acht spezialisierte LangGraph-Knoten und nutzt einen Komplexitäts-Router, der Anfragen entweder an ein 9B-Geschwindigkeitsmodell (Tier 1) oder ein 27B-Reasoning-Modell (Tier 2) weiterleitet. Beide Modelle wurden via QLoRA auf dem OncoCoT-Korpus mit 266.854 realen und synthetisch generierten onkologischen Fällen fine-getuned. Das Training lief auf AMD Instinct MI300X-Hardware (192 GB HBM3) mit dem Unsloth-Framework; Sequence Packing ermöglichte das vollständige Fine-Tuning in ca. 50 Minuten — 56-mal schneller als API-basierte Generierung. Das vierstufige Corrective-RAG-Pipeline über über 70 NCCN- und ESMO-Leitlinien erzielte nach Optimierung eine CRAG-Dokument-Erfolgsrate von 100 % mit einem mittleren RAG-Confidence-Score von 2,3+. Eine dreischichtige Reflexion-Safety-Validierung erzwingt eine strikte Zero-PHI-Policy, sodass keine Patientendaten das lokale System verlassen.