# 医疗AI智能体技能库：面向影像科与临床工作流的Agent Skills实践

> 介绍一套专为医疗影像和临床工作流设计的AI智能体技能集合，支持Claude Code、Codex、Cursor、Windsurf等主流AI编程助手，涵盖影像分析、临床文档处理、AI集成和放射学研究等多个领域。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-04-04T17:14:05.000Z
- 最近活动: 2026-04-04T17:23:15.652Z
- 热度: 150.8
- 关键词: 医疗AI, Agent Skills, 放射科, 临床工作流, PACS, DICOM, AI辅助诊断, 智能体技能
- 页面链接: https://www.zingnex.cn/forum/thread/ai-agent-skills
- Canonical: https://www.zingnex.cn/forum/thread/ai-agent-skills
- Markdown 来源: ingested_event

---

# 医疗AI智能体技能库：面向影像科与临床工作流的Agent Skills实践\n\n随着AI技术在医疗领域的深入应用，如何将大语言模型的能力有效整合到临床工作流中，成为医疗信息化建设的重点课题。本文将介绍一套专为医疗影像和临床工作流设计的AI智能体技能库（Clinical Skills），它为放射科医生、医疗IT专业人员和研究人员提供了一套完整的AI辅助工具。\n\n## 什么是Agent Skills？\n\nAgent Skills是一种新兴的AI应用模式，它以Markdown文件的形式为AI智能体提供特定领域的专业知识和工作流程。当这些技能文件被添加到项目中时，AI智能体能够识别用户正在处理的任务类型，并自动应用相应的框架和最佳实践。\n\n与传统的提示词工程不同，Agent Skills具有以下特点：\n\n**结构化知识**：将领域知识组织为结构化的文档，而非零散的提示词\n\n**上下文感知**：智能体能够根据当前任务自动选择适用的技能\n\n**可组合性**：多个技能可以相互引用，构建复杂的 workflows\n\n**跨平台兼容**：遵循Agent Skills规范，支持Claude Code、OpenAI Codex、Cursor、Windsurf等多种AI编程助手\n\n## 技能库架构设计\n\n该临床技能库采用分层架构设计，以`radiology-context`技能为基础，其他所有技能在执行前都会先读取它，以了解用户的影像环境、PACS设置和临床工作流配置。\n\n### 核心技能层\n\n**radiology-context**：建立和管理用户的临床环境配置，包括PACS系统、电子健康记录（EHR）、影像类型和工作流设置。这是整个技能库的基础，任何放射科相关任务都应首先使用此技能。\n\n**modality-detection**：自动检测影像模态（CT、MRI、X-ray、超声等），支持从用户输入或DICOM文件分析中识别影像类型。当用户提到"这是什么模态"、"从文件检测"或需要识别影像类型时使用。\n\n### 临床文档层\n\n**radiology-report-analysis**：分析结构化/自由文本放射学报告，提取关键发现、测量值和印象。适用于用户需要审阅报告、生成摘要或提取数据的场景。\n\n**structured-reporting**：使用标准化模板（RadElement、IHE、BI-RADS、LI-RADS、PI-RADS等）创建和优化结构化放射学报告。支持将自由文本转换为结构化格式。\n\n**impression-generation**：基于发现生成简洁的临床印象，支持多种格式（要点、段落、结构化）。\n\n**findings-extraction**：从报告或临床笔记中提取结构化发现，识别异常、测量值和解剖结构。\n\n### 患者沟通层\n\n**patient-results-letter**：将技术报告转换为适合患者的沟通信件，平衡医学准确性和可读性。支持生成结果摘要、后续建议，并可选择包含可视化内容。\n\n**care-gap-closure**：识别和跟进护理缺口，包括随访建议、结果沟通和护理协调。\n\n### AI集成与平台层\n\n**pacs-workflow**：与PACS系统交互，处理DICOM文件、查询研究和管理工作列表。\n\n**dicom-web-query**：使用DICOMweb标准（QIDO-RS、WADO-RS）查询和检索医学影像。\n\n**filesystem-imaging**：处理本地文件系统中的医学影像，包括DICOM和非DICOM格式。\n\n**ai-detection-pipeline**：集成AI辅助检测算法到临床工作流，处理路由、结果呈现和质量控制。\n\n**ai-quality-review**：审查AI算法输出，验证检测结果的准确性，标记差异供临床审查。\n\n**llm-radiology-use**：在放射学中安全有效地使用大语言模型的指南，包括提示工程、幻觉缓解和临床验证。\n\n### 研究与证据层\n\n**pubmed-search**：搜索PubMed文献，构建查询、筛选结果和提取相关研究信息。\n\n**guideline-integration**：将临床指南整合到报告和工作流中，确保实践符合最新标准。\n\n**cross-reference-linking**：交叉引用发现与先前研究、指南和文献，添加上下文和证据支持。\n\n**followup-tracking**：跟踪和管理随访建议，确保及时安排和完成推荐检查。\n\n**radiology-research**：支持放射学研究活动，包括数据收集、统计分析和论文撰写。\n\n**image-quality-metrics**：评估和分析影像质量指标，识别技术问题和优化采集参数。\n\n## 技能间的协作关系\n\n这些技能并非孤立存在，而是形成了一个相互引用的知识网络：\n\n- `report-analysis` ↔ `structured-reporting` ↔ `findings-extraction`：报告分析与结构化报告生成形成闭环\n- `pacs-workflow` ↔ `dicom-web-query` ↔ `filesystem-imaging`：不同影像数据源的无缝切换\n- `ai-detection-pipeline` ↔ `ai-quality-review`：AI检测与人工审核的协同\n- `pubmed-search` ↔ `guideline-integration` ↔ `cross-reference-linking`：证据链的构建\n- `followup-tracking` ↔ `care-gap-closure` ↔ `patient-results-letter`：患者全程管理\n\n这种设计确保了无论用户从哪个切入点开始，智能体都能调用相关的技能组合，提供全面的支持。\n\n## 安全与合规考量\n\n医疗数据的敏感性要求严格的安全措施。该技能库明确强调：\n\n**患者隐私保护**：严禁输入可识别患者身份的信息（PHI）。所有示例和测试数据都应使用去标识化或合成数据。\n\n**临床验证**：AI生成的内容必须经过临床医生审核，不能替代专业判断。\n\n**幻觉缓解**：`llm-radiology-use`技能专门提供了减少大语言模型幻觉的策略，包括提示工程技巧和验证流程。\n\n## 实际应用示例\n\n### 场景一：放射科报告分析\n\n当放射科医生上传一份CT报告时，智能体会：\n1. 使用`radiology-context`了解PACS环境和报告模板\n2. 使用`radiology-report-analysis`提取关键发现\n3. 使用`findings-extraction`结构化异常信息\n4. 可选使用`pubmed-search`查找相关文献支持诊断\n5. 使用`structured-reporting`生成标准化报告\n\n### 场景二：AI辅助检测集成\n\n当IT团队部署新的肺结节检测AI时：\n1. 使用`ai-detection-pipeline`配置算法路由\n2. 使用`pacs-workflow`设置DICOM接收和转发\n3. 使用`ai-quality-review`建立质量控制流程\n4. 使用`followup-tracking`确保阳性结果的后续管理\n\n### 场景三：患者沟通\n\n当需要向患者解释检查结果时：\n1. 使用`patient-results-letter`将技术报告转换为通俗语言\n2. 使用`care-gap-closure`识别需要关注的后续事项\n3. 使用`followup-tracking`安排随访计划\n\n## 技术实现与兼容性\n\n该技能库遵循[Agent Skills规范](https://agentskills.io)，确保了与主流AI编程助手的兼容性：\n\n- **Claude Code**：Anthropic的AI编程助手，支持Agent Skills的原生集成\n- **OpenAI Codex**：OpenAI的代码生成模型，可通过技能文件增强领域能力\n- **Cursor**：基于VS Code的AI编辑器，支持自定义技能配置\n- **Windsurf**：新兴的AI编程环境，兼容Agent Skills格式\n\n技能文件采用Markdown格式，包含元数据头部（YAML frontmatter）和结构化内容。这种设计使得技能既对人类可读，又能被AI智能体解析。\n\n## 社区贡献与持续发展\n\n该项目由Corpus Analytica创建和维护，欢迎社区贡献。开发者可以通过以下方式参与：\n\n- 提交PR改进现有技能\n- 添加新的临床领域技能\n- 报告问题或提出功能建议\n- 分享使用经验和最佳实践\n\n项目采用MIT许可证，允许自由使用和修改。当前版本为1.0.1，包含26个技能、34个集成和85%的测试覆盖率。\n\n## 未来展望\n\n随着多模态AI和医疗大模型的发展，Agent Skills在医疗领域的应用前景广阔：\n\n- **影像-文本融合**：结合视觉模型和语言模型，实现更智能的影像分析\n- **实时辅助**：在医生阅片时提供实时建议和参考\n- **个性化工作流**：根据医生的偏好和专科特点定制技能组合\n- **跨科室协作**：扩展到病理科、心内科等其他临床科室\n\n医疗AI智能体技能库代表了AI辅助临床工作的一种新模式。通过将领域知识编码为可复用的技能，它有望显著提升医疗工作效率，同时保持临床质量和患者安全。