Перейти к содержимому
Экосистема AI Vibe

Новости

33 скилла вместо промпта: Natera автоматизировала лабораторные тикеты

Редакция 13 ноября 2026 г.

Инженер открывает тикет в Jira и сразу видит готовый диагностический отчёт, собранный фоновым агентом из базы знаний.

Пока инженер ещё не открыл задачу в Jira, SWARM на Amazon Bedrock AgentCore уже отдаёт разбор по тикету: при 65 заявках в день в трёх очередях средний первый ответ тянулся 17,4 часа, а после запуска системы задержку сжали примерно в 130 раз, а автоматом закрывается 96,2 % обращений. Команду лабораторной инженерии под Ariel Jirau интересовал не найм ради объёма, а перенос «головной» экспертизы по семействам оборудования в артефакты, которые не уезжают вместе с одним сеньором.

Триггер узнаваемый: знания по разным приборам жили в людях, а не в плейбуках. SWARM должен был отвечать за минуты, держать точность по типам техники и подтягиваться через оценочный контур, не раздувая штат.

Два агента вместо одного промпта

Фоновый swarm-agent собирает структурированный диагностический отчёт до касования инженера; swarm-hive — для живого разбора: картинки, альтернативные ветки, память сессии через AgentCore memory. Общая библиотека — 33 скилла: 24 под конкретные семейства приборов и 9 сквозных workflow. Логику в один промпт не зарывали: при промахе копают конкретный скилл, а не всю цепочку.

  • детерминированные шаги — Python (поля Jira, HTML-отчёты);
  • языковой разбор симптомов и сопоставление с мануалами — LLM-скиллы;
  • отчёт фонового агента кладётся в S3 и линкуется в Jira; свободный ввод в hive идёт через Amazon Bedrock Guardrails.

События, база знаний и контур безопасности

С Jira интеграция без вебхуков: EventBridge Scheduler, опрос через Lambda, очередь SQS, дедупликация в DynamoDB по ID тикета с TTL. Архитектуру складывают из четырёх слоёв — события, агенты со скиллами, контекст (мануалы, история тикетов), наблюдаемость.

Поиск по документации — Amazon Bedrock Knowledge Bases, эмбеддинги Titan, индексация батчами по 100 документов. Границы чанков меряют через tiktoken с cl100k_base: 1000 токенов, перекрытие 150. Когда точность встала, добавили недостающие мануалы по слабому семейству — 71 % → 75 % без смены модели.

В клиническом окружении — managed runtime AgentCore, OIDC в GitLab CI, STS вместо долгоживущих ключей, VPC с private subnets, ротация секретов раз в 30 дней. Patient-identifiable данные в индекс и модель не попадают, только метаданные оборудования и workflow; вызовы агентов аудитируются под HIPAA BAA.

Источник: How Natera designed an agentic AI system for lab ops with Amazon Bedrock AgentCore.