Агенты на базе фундаментальных моделей часто знают факты, но неправильно применяют методологии. Попросите агента классифицировать миссенс-вариант TP53 по критериям ACMG/AMP — он назовёт правильный фреймворк, но перепутает категории доказательств, пропустит пороги популяционных частот или выдумает оценки вычислительных предикторов. Ошибка тихая: вывод выглядит правдоподобно, но построен на неверных критериях. В клинической генетике, обработке страховых случаев и анализе изображений это создаёт регуляторные и репутационные риски.
Чтобы закрыть этот разрыв, AWS выпустила коллекцию из 38 открытых навыков (agent skills) для 11 доменов healthcare и life sciences. Навык — это структурированный markdown-документ SKILL.md с YAML-метаданными: триггерами, зависимостями и описанием. Внутри — решающие процедуры, таблицы параметров, шаблоны кода и критерии валидации. Агент подгружает нужный навык в момент вывода по триггеру в запросе пользователя. Это не RAG, который вытаскивает фрагменты из индексированных документов, и не fine-tuning: навыки — это структурированные промпты, которые активируются контекстно. Они остаются человекочитаемыми, переносимыми между сервисами и обновляются редактированием текстового файла, а не переобучением модели.
| Тип навыка | Что кодирует | Пример |
|---|---|---|
| Reasoning | Методологию и решающие фреймворки | genomic-variant-interpretation: категории доказательств ACMG/AMP, пороги частот, отсечки предикторов |
| Pipeline | Команды инструментов, параметры, шаблоны кода | variant-calling: GATK4 HaplotypeCaller, VQSR tranche sensitivity, конфигурации Mutect2 |
Навыки делятся на два типа. Reasoning-навыки кодируют методологию: например, genomic-variant-interpretation содержит полный фреймворк ACMG/AMP с категориями доказательств, порогами популяционных частот и отсечками вычислительных предикторов. Pipeline-навыки содержат команды для конкретных инструментов: variant-calling даёт команды GATK4 HaplotypeCaller с правильными группами аннотаций, целевыми значениями чувствительности VQSR и конфигурациями Mutect2 для пар «опухоль–норма». Такое разделение даёт агенту и суждение для правильных решений, и техническую точность для их выполнения.
Оценка показала измеримый эффект. В парных сравнениях агенты с навыками выигрывают у тех же агентов без них в 70–86% случаев — разброс зависит от конфигурации агентной обвязки. Сильнее всего навыки влияют на критическое мышление: 78–85% побед при размере эффекта d = 0.65–1.03. Это заметный сдвиг: модель не просто вспоминает факты, а следует процедуре, которую специалисты обычно осваивают годами.
Коллекция покрывает геномику, разработку лекарств, страховые операции и медицинскую визуализацию. Все навыки выложены под лицензией MIT-0 — одной из самых разрешительных, она позволяет использовать, изменять и распространять код без ограничений, в том числе в коммерческих продуктах. Навыки работают более чем в 20 сервисах без адаптации под каждый: Amazon Bedrock AgentCore, AWS Strands Agents SDK, Kiro, Amazon Quick Desktop, Claude Code, OpenAI Codex и другие. Установка — через универсальный CLI npx skills add awslabs/hcls-agent-skills или скрипт install.sh для Kiro, который сразу настраивает агента с автоматической маршрутизацией навыков.
Для команд, которые строят агентов в регулируемых областях, это меняет подход к специализации. Вместо дообучения модели под домен можно поддерживать набор текстовых файлов: ежегодные изменения медицинской политики или новые критерии экспериментов отражаются редактированием, а не переобучением. Аудируемость тоже важна: каждый критерий решения виден в markdown, а не скрыт в весах модели. Это снижает порог входа для организаций без больших ML-команд и делает поведение агента проверяемым — что критично там, где ошибка ведёт к последствиям для пациентов.
