
Natera:用 AgentCore 做实验室运维 SWARM,首响从 17.4 小时压到约 8 分钟,自动覆盖 96.2%
用法管理AgentCore实验室运维诊断SWARM
一句话结论
Natera 用可版本化的技能库做实验室运维系统 SWARM,让智能体在工程师打开工单前先出结构化诊断;90 天生产评估里,平均首次响应从 17.4 小时降到约 8 分钟,96.2% 的工单在工程师介入前就有自动诊断报告。
打开原文
AWS:How Natera designed an agentic AI system for lab ops with Amazon Bedrock AgentCore
背景与理念
Natera 做无创 DNA 检测,实验室运维里一直有一个缺口:资深技师离职后,经验带不走。每天要处理 65 张以上工单,分在三条 Jira 队列里,平均首次响应要 17.4 小时。他们做的 SWARM,是让集群智能体在工程师打开工单之前,先给出结构化诊断报告,而不是用系统去替换工程师。作者 Ariel Jirau 的说法是,系统不替换工程师,是让他们一打开工单就能用上机构知识。
具体做法
- swarm-agent 在工程师打开工单前先出结构化诊断报告;swarm-hive 让工程师追问、传图,或改走另一条排查路径。两者共用一套可版本化的技能库,共 33 项:其中 24 项按仪器家族编写,9 项覆盖跨类型流程。
- 诊断逻辑不写进一条很大的提示词,出了错可以对准到某一项技能。工单里只有设备与流程的元数据,向量库和模型不接触患者可识别信息。
关键数据/例子
在 90 天生产评估里,平均首次响应从 17.4 小时降到约 8 分钟,大约快了 130 倍;96.2% 的工单在工程师介入前就有自动诊断报告。评估集共 524 张工单,其中 269 张既有置信度标签又有工程师核实结论:自报高置信度的 154 例准确率是 74%,中等(78 例)与低(37 例)均为 65%,原文注明低置信度样本偏小。补上得分最低的仪器家族所缺失的厂商手册后,准确率从 71% 升到 75%,模型本身没有改。
创新点
第一,把可版本化的技能库写成诊断依据,而不是把逻辑塞进一条大提示词,这样出错时能点名到某一项技能。第二,系统的目标是工程师打开工单时就能用上机构知识,并且不接触患者可识别信息;补全缺失手册就能提高准确率,不必先改模型。
可否复用
- 先把机构里的排查经验写成可版本化的技能,再让智能体在人打开工单前出结构化诊断,而不是一上来就自动关单。
- 评准确率时按置信度分层看,并标明样本是否偏小;若某类设备得分偏低,先补厂商手册再测一轮,而不是先换模型。涉及实验室或医疗运维时,工单和向量库都不应接触患者可识别信息。