Große Sprachmodelle und Daten von Wearables bieten die Möglichkeit, die persönliche Gesundheit zu verbessern, obwohl die individuellen Bedürfnisse bei Gesundheitsfragen stark variieren. Ein einzelnes System hat Schwierigkeiten sowohl mit spezifischen als auch mit offenen Gesundheitsfragen. Um dem entgegenzuwirken, wurde das Forschungsframework Personal Health Agent (PHA) entwickelt, das multimodale Daten für personalisierte, evidenzbasierte Beratung verarbeitet. PHA verwendet eine Multi-Agenten-Architektur mit spezialisierten Sub-Agenten für Data Science, Domänenexpertise und Gesundheitscoaching. Reale Daten aus einer Studie mit Wearable-Daten, Fragebögen und Bluttests wurden zur Evaluierung verwendet. Das System wurde umfassend automatisiert und menschlich in zehn Benchmark-Aufgaben evaluiert, was Tausende von Annotationen und erheblichen Expertenaufwand erforderte. Diese Arbeit stellt eine umfassende Evaluierung eines Gesundheitsagenten dar und legt den Grundstein für zugängliche persönliche Gesundheitsagenten. Diese Forschung skizziert ein konzeptionelles Framework und ist keine Beschreibung eines aktuellen öffentlichen Produkts oder Dienstes. Der Ansatz umfasste ein nutzerzentriertes Design, die Analyse von über 1.300 Gesundheitsanfragen und die Befragung von Nutzern zur Identifizierung wichtiger Unterstützungsbereiche. Die Evaluierung des Systems konzentrierte sich auf das Benchmarking einzelner Agenten und des integrierten PHA, wobei sowohl automatisierte als auch menschliche Bewertungen verwendet wurden.