HCLS领域AI Agent推理胜率提升至86%：38个开源技能包实测
医疗健康和生命科学领域的AI Agent常因“表面专业、实则乱搞”而备受诟病。即便在System Prompt中喂入指南，处理TP53错义变异分类时，它仍可能一边正确引用ACMG/AMP标准，一边在证据分类上出错，或随口编造计算预测分数。这种幻觉在变异解读、临床试验设计或影像分析中风险极高。
一个开源方案通过结构化“技能”机制弥补此缺陷。实测数据显示，加载这些技能的Agent与原版head-to-head测评中胜率达70%–86%，批判性思维维度胜率78%–85%（d = 0.65–1.03）。
RAG或微调解决不了这个问题。RAG只检索片段，无法教AI“如何思考”。该方案定义SKILL.md格式，将领域决策流程直接编码。与微调不同，它本质是结构化Prompt激活机制：每项技能在YAML frontmatter中定义触发器、依赖项和元数据，仅当用户查询触发特定模式时，相关决策框架、参数表或验证标准才生效。
该开源库覆盖11个HCLS领域，共38个技能，全部采用MIT-0协议。技能分两类：
- 推理类技能：教AI做决定。如genomic-variant-interpretation将ACMG/AMP完整分类框架、人群频率阈值及计算预测截断值全部结构化写入，防止应用标准时跳步。
- 流水线类技能：保证执行精度。如variant-calling直接提供GATK4 HaplotypeCaller正确命令、注释组、VQSR tranche灵敏度目标及Mutect2肿瘤-正常对照配置。
这种“判断力+执行力”双轨设计，让Agent既能正确决策，又能精准写出可运行代码或命令。
部署时，核心是让AI在推理前先读取对应SKILL.md。典型技能文件结构如下：
---
name: genomic-variant-interpretation
trigger: "classify variant", "ACMG criteria", "TP53"
dependencies: [genomic-basics]
version: 1.0
---
# Decision Framework: ACMG/AMP Variant Classification
## Evidence Categories
- PVS1: Null variant in a gene where loss of function is a known mechanism of disease.
- PS1: Same amino acid change as a previously established pathogenic variant.
## Population Frequency Thresholds
- If frequency > X%, classify as Likely Benign.
## Validation Criteria
- Ensure computational predictor scores are cross-referenced with current database versions.自定义业务场景时，按YAML + Markdown格式扩展即可。关键不是给AI知识点，而是给“步骤”和“阈值”。
对追求高精度医疗AI的开发者，这种方法比堆Token数量有效得多。它把专家内化经验变成可激活的结构化文档，让AI真正学会像领域从业者那样推理。
全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
救命，我上次跑变异解读差点被导师骂死，它居然敢在报告里编预测分。这套东西能搞定 CADD 分数吗？我之前尝试过直接让 AI 生成评分报告，结果发现它会一边引用 ACMG 标准，一边随意拼凑预测值，完全没有实际可操作性。关键在于 它没有明确的“步骤”和“阈值”规则，比如 CADD 分数的阈值判断（如 10/20/30 分位数）和相应的临床解释框架，而是直接“猜测”预测分。之前看到一个开源方案，它通过 结构化技能文件（SKILL.md） 将领域决策流程硬编码进去，比如在 genomic-variant-interpretation 技能中，它会直接写入 ACMG 分类框架、人群频率阈值（如 >1% 则“可能无害”）和 CADD 分数的解释规则，还会强制 AI 在推理前先检查数据库版本，确保不遗漏任何验证步骤。这样，AI 不再“胡编乱造”，而是严格按照 可执行的决策流程 来生成结果。如果你想用它处理 CADD 分数，可以直接在技能文件中加入类似的规则，比如：
---
name: cadd-score-interpretation
trigger: "CADD score", "pathogenicity threshold"
dependencies: [genomic-basics]
---
## Decision Framework: CADD Score Interpretation
- **Score < 10**: Likely benign (background noise)
- **Score 10–20**: Benign/Likely benign (population tolerance)
- **Score 20–30**: Likely pathogenic (requires clinical correlation)
- **Score > 30**: Pathogenic (strong evidence)
---这样，AI 就不会再“随口编造”预测分，而是严格遵循 可验证的阈值和步骤，让报告至少不会被导师一眼看穿。
86% 是怎么跑出来的？要是实测在 ClinVar 上对不上，还是得手动撸代码。比如加载这些技能的Agent在head-to-head测评中胜率达70%–86%，批判性思维维度胜率78%–85%（d = 0.65–1.03），这种“判断力+执行力”双轨设计让Agent既能正确决策又能精准写出可运行代码或命令。
这玩意儿要是连 0.1% 的概率都算不准，临床上直接就得被撕。关键在于，现在很多AI在医疗领域虽然能背标准（比如ACMG/AMP），但实际应用时却会跳步、随意调整阈值，甚至胡编计算分数——这正是“表面专业、实则乱搞”的根源。比如，在处理TP53错义变异时，它可能会一边正确引用标准，一边在证据分类上出错，或者直接忽略人群频率阈值（比如“>X%”时应被视为可能无害）的具体数值，导致临床决策失误。一个更可靠的方案是通过结构化“技能”机制来补齐这个漏洞——比如直接将ACMG/AMP的完整分类框架、人群频率阈值（如“>1%”时可能被判为“可能无害”）以及计算预测截断值固化为可激活的步骤，让AI在推理前必须严格遵循这些硬性规则，而不是随意“理解”。这样，临床应用时就不会再出现“说得对但做不对”的情况了。