新闻 · AWS Machine Learning Blog
用开源智能体技能提升HCLS AI推理能力
基于基础模型的AI智能体常常误用医疗健康与生命科学（HCLS）决策框架，引用正确的指南却错误地加以应用。本文分享了覆盖11个HCLS领域的38项开源智能体技能，以弥合这一差距，并附有安装步骤、三个实际用例，以及一项包含410个提示词的评估，显示胜率达70%至86%。
en
英文原标题：Improving HCLS AI reasoning with open-source agent skills
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- 基于基础模型的AI代理在医疗与生命科学（HCLS）决策中常误用框架，例如在TP53错义变异分类时引用ACMG/AMP标准却错误应用证据类别、跳过人群频率阈值或编造计算预测分数，导致变异解读、理赔裁定、临床试验设计和影像分析出现隐性失败。
- 为弥补方法论差距，作者开源了38个代理技能，覆盖11个HCLS领域，以结构化markdown文档（SKILL.md）编码领域决策流程，遵循Agent Skills开放标准，采用YAML frontmatter声明触发条件、依赖和元数据，全部以MIT-0许可证发布。
- 技能分为推理技能和流水线技能：推理技能编码方法论和决策框架（如ACMG/AMP分类框架），流水线技能编码工具命令、验证参数和代码模板（如GATK4 HaplotypeCaller命令）。
- 与RAG和微调不同，技能是结构化提示，根据查询触发模式上下文激活，具有可审计、可移植、易维护的特点，可在20多种服务上运行，无需为每个服务定制。
- 评估显示，配备技能的代理在头对头比较中胜率为70–86%，批判性思维方面效果最强（胜率78–85%，d=0.65–1.03）。
关键数据
- 38个开源代理技能，覆盖11个HCLS领域
- 头对头比较胜率70–86%
- 批判性思维胜率78–85%，效应量d=0.65–1.03
- 单代理加载全部技能约消耗80K tokens，每个专家约15K tokens
- 支持20多种服务，包括Amazon Bedrock AgentCore、AWS Strands Agents SDK、Kiro、Amazon Quick Desktop、Claude Code、OpenAI Codex等
- MIT-0许可证
为什么值得看：该开源技能集为HCLS领域的AI代理提供了可审计、可移植的决策流程编码，显著提升了代理在关键任务中的推理准确性和批判性思维，有助于减少因误用框架而导致的监管和患者安全风险。