← 返回洞察政策写进文本，不写进权重：
2026 年 9 月 · 5 分钟阅读
政策写进文本，不写进权重：
agent 技能是审计桥
关键定义
agent 技能（agent skill） 遵循 agentskills.io 开放标准的 SKILL.md 结构化 markdown：YAML frontmatter 声明触发条件与元数据，正文承载决策框架、参数表与验证标准。AWS 发布 38 个，覆盖 11 个医疗健康领域，MIT-0 开源。
渐进披露（progressive disclosure） 只激活与查询相关的技能内容，而不是一次加载全部：agent 在推理时按触发模式读取对应技能文本。这是「协调者 + 8 个领域专家（每专家约 15K token）」能替代「38 个技能全载约 80K token」的原因。
成对评测（pairwise evaluation） 把带技能的 agent 与同款不带技能的 agent 在 410 条提示上做头对头对比。带技能 agent 胜率 70–86%；批判性思维维度最强（78–85% 胜率，Cohen d = 0.65–1.03）。
当一个决策程序不可见，它就不可治理。AWS 刚发布了 38 个面向医疗健康（HCLS）的开源 agent 技能，把领域决策程序编码成纯 markdown——带 YAML 触发条件的 SKILL.md 文件，成对评测显示 70–86% 胜率。我们的判断：策略即文本 = 受监管 AI 的审计桥——当程序活在文本文件里，合规评审变成 diff 评审，政策变化变成一次部署而不是一次重训。这是 OOMeta 内部就在跑的同一架构。这篇讲清楚技能是什么、数字到底说明什么、以及对受监管买方意味着什么。
一、失败模式：模型知道事实，但没有决策程序
让一个 agent 按 ACMG/AMP 标准解读 TP53 错义变异：它会引用正确的框架，却误用证据类别、跳过群体频率阈值、编造计算预测分数。模型知道事实，但缺少领域从业者多年内化的结构化推理程序。这个缺口在变异解读、理赔审核、临床试验设计与影像分析里制造「静默失败」——输出看起来正确，实际套错了标准，直接对应监管与患者安全后果。来源：AWS ML 博客。
二、技能是什么：SKILL.md + 渐进披露，不是 RAG 也不是微调
技能分两类：推理技能编码方法论与决策框架（genomic-variant-interpretation 承载完整 ACMG/AMP 分类）；流水线技能承载工具命令与验证参数（variant-calling 提供 GATK4 HaplotypeCaller 命令、VQSR tranche 灵敏度目标、Mutect2 肿瘤-正常配置）。与 RAG 不同——RAG 检索片段增强生成；技能编码的是决策程序与错误条件本身。与微调不同——它是按触发模式上下文激活的结构化提示。
三个属性构成区别：可审计——每个决策标准都是 markdown 里人可读的文本，不藏在模型权重里；可移植——同一份技能在 20+ 服务上免定制运行（Bedrock AgentCore、Strands、Claude Code、Codex 等）；可维护——年度医疗政策变化改一个文本文件即可，不用重训。对受监管买方，前两条正是监管审查要的东西。
三、证据：70–86% 胜率，批判性思维最强
410 条提示的成对评测：带技能 agent 对同款无技能 agent 的头对头胜率 70–86%，随 harness 配置变化；最强效应在批判性思维（78–85% 胜率，Cohen d = 0.65–1.03）；在最难的查询上提升最大——正是无引导 agent 失败最多的地方。口径注意：这是 AWS 自发布评测，胜率随 harness 浮动；但评测框架本身开源，你可以在自己的提示集上重跑。
四、上下文工程：专家胜过全载
把 38 个技能全部载入单个 agent 上下文约 80K token——大上下文模型跑得动，但每次查询都要从 38 个里选子集，无关技能内容还在抢注意力。Kiro 的多 agent 方案：轻量协调者（不载技能）把查询路由给 8 个领域专家，每个专家只载相关技能（约 15K token/专家）。协调者管意图分类，专家管领域推理。
这是舰队级的渐进披露：路由层保持瘦，领域程序按需加载。对任何搭多 agent 的团队，这条直接可抄——先问「每个 agent 真正需要多少上下文」，再问「需要哪个模型」。
五、我们的判断：策略即文本 = 审计桥
决策程序就是合规工件。当它是一份文本文件时：审计员读的是 diff，不是权重；评审者能读到你 agent 实际套用的每一条标准；政策更新是一次部署（改文件 + 重跑评测），而不是一次重训。「可审计、可移植、可维护」不是工程洁癖，正是监管者关心的合规属性本身。
我们不是在评论别人的架构——OOMeta 内部跑的就是同一套：SKILL.md + 触发路由 + 渐进披露，技能就是我们产品表面的承载方式。所以对这个模式我们是 dogfood 的。给受监管买方的结论：问题不是「用哪个模型」，而是「决策程序住在哪里」——如果住在权重里，你无法评审它。
六、行动与留给买方的问题
行动：挑一个高频决策工作流；克隆相关技能（或自己写 SKILL.md）；把阈值改成你的规程；用自带成对评测框架在你团队的真实提示上跑；胜率过线再上线。留给买方的问题：你的合规评审能读到 agent 实际遵循的完整程序吗——以文本形式？读不到，你的审计桥还不存在。
OOMeta AI
OOMeta 的立场与实践：决策程序就是合规工件，策略即文本就是审计桥——评审变成 diff 评审，政策变化变成部署而不是重训。OOMeta 内部跑的就是 SKILL.md + 渐进披露架构，对受监管买家，问题不是「用哪个模型」，而是「决策程序住在哪里」。
预约诊断会参考来源: AWS ML Blog, Improving HCLS AI reasoning with open-source agent skills（厂商自发布评测）https://aws.amazon.com/blogs/machine-learning/improving-hcls-ai-reasoning-with-open-source-agent-skills/ ｜ GitHub, awslabs/hcls-agent-skills（MIT-0）https://github.com/awslabs/hcls-agent-skills ｜ Agent Skills 开放标准 https://agentskills.io
常见问题
为什么 agent 会误用临床框架？+
基础模型能引用指南（如 ACMG/AMP 变异解读），却会误用证据类别、跳过群体频率阈值、编造计算预测分数。技能通过把决策程序与错误条件写成可读文本弥合这个缺口——不是检索段落（RAG），也不是重训。
SKILL.md 里到底有什么？+
YAML frontmatter（触发条件、依赖、元数据）+ 决策框架、阈值表、常见错误清单、代码模式与验证标准。genomic-variant-interpretation 技能把完整 ACMG/AMP 分类框架（证据类别、群体频率阈值、计算预测器截断值）写进文本。
评估数字说明了什么？+
在 410 条提示上，带技能 agent 对同款不带技能 agent 的成对胜率 70–86%；最强者在批判性思维（78–85% 胜率，d = 0.65–1.03），且在最难的查询上提升最大——正是无技能 agent 失败最多的地方。
年度政策变化怎么处理？+
作为文本编辑处理。医疗政策变更或新实验标准，改 SKILL.md 文件即可，不用重训模型——这正是技能在受监管垂直领域「可审计、可维护」的来源。
这是 RAG 还是微调？+
都不是。RAG 检索片段增强生成；技能按触发模式上下文激活、编码的是决策程序本身。且技能可移植——同一份技能能在 20+ 服务上跑，从 Bedrock AgentCore、Strands 到 Claude Code 与 Codex。
我的团队应该怎么做？+
克隆仓库，复制相关 SKILL.md，把决策阈值改成自己的规程，再用自带评测框架在你自己的工作流提示上跑成对评测，胜率过线再上线。（完全披露：OOMeta 内部跑的就是同一套 SKILL.md + 渐进披露架构。）
相关文章
从试点到 6,000 人：评估必须变成发布闸门
Sabadell Seguros 把 SofIA 推给 6,000 名销售代理前，先回答「ready 是什么」：自动生成测试集、按业务校准的裁判、评估接进每次发布。一次回归测试在 6,000 人之前拦下模型切换引发的可靠性劣化。我们的判断：规模化瓶颈不是 agent 质量，是验证节奏。
采购 agent 的价值有顺序：BCG 调研 200+ 高管，内部效率先于商业结果
BCG 2026 调研 200+ 采购与技术高管：agentic AI 内部运营价值（速度/吞吐/减少手工）先于外部商业价值（谈判、许可、供应商质量）；生产优于试点，技术+流程重组+治理优于纯技术。我们的判断：价值顺序是部署纪律——KPI 阶梯按阶段设计，别用第一年商业结果杀死内部已兑现的项目。
我们自己就是第一个客户——OOMeta 如何用 AI 运营公司
我们自己就是第一个客户：1 个人类创始人 + 5 个 AI 数字团队 + 1 个 CEO agent，每天协作运营一家真实公司。本文复盘数据流如何把信号变成行动，以及效率、覆盖面、一致性的实际结果。
公共榜单测不出私有代码：Real-SWE 揭示编码 agent 的真实水位
首个用私有生产代码评测编码 agent 的基准（2026-09）：最强组合 Fable 5.1 解决率仅 38.8%，短任务失败率 71.4%≈长任务 73.4%，99% 企业 token 对模型不可见。我们的判断：公共榜单是选型幻觉，私有域 eval 才是唯一可信信号。