A AWS publicou, em 16 de setembro de 2026, uma coleção de 38 skills de agentes de código aberto voltadas a 11 domínios de saúde e ciências da vida (HCLS, na sigla em inglês). O anúncio foi feito no blog de machine learning da empresa.
O material responde a uma falha específica e silenciosa: agentes construídos sobre modelos de fundação citam a diretriz clínica correta, mas aplicam os critérios de decisão de forma errada. A avaliação que acompanha a publicação mostra que agentes equipados com essas skills vencem de 70% a 86% das comparações diretas contra os mesmos agentes sem elas.
O erro silencioso que motiva a coleção
O exemplo usado pela AWS é direto. Ao classificar uma variante missense no gene TP53 segundo os critérios ACMG/AMP, o agente cita o framework certo, mas troca categorias de evidência, ignora limiares de frequência populacional ou inventa pontuações de preditores computacionais.
Segundo a empresa, esse tipo de desvio gera falhas silenciosas em interpretação de variantes, adjudicação de sinistros de saúde, desenho de ensaios clínicos e análise de imagens médicas. As saídas parecem corretas, mas aplicam critérios errados, com consequências regulatórias e para a segurança de pacientes.
O diagnóstico da AWS é que o modelo domina fatos, porém não carrega os procedimentos de raciocínio estruturado que especialistas internalizam ao longo de anos de formação.
Raciocínio e execução: as duas famílias de skills
As skills são documentos markdown estruturados, nomeados SKILL.md, que codificam procedimentos de decisão em um formato que agentes conseguem consumir durante a inferência por meio de divulgação progressiva. Elas seguem o padrão aberto Agent Skills, com gatilhos, dependências e metadados declarados em YAML frontmatter.
O corpo do arquivo reúne frameworks de decisão, tabelas de parâmetros, padrões de código e critérios de validação.
A coleção separa as skills em duas categorias. As de raciocínio guardam metodologia, como a skill de interpretação de variantes genômicas, que traz o framework completo ACMG/AMP, com categorias de evidência, limiares de frequência populacional e pontos de corte de preditores computacionais.
As de pipeline guardam comandos de ferramentas, parâmetros validados e modelos de código executável. É o caso da skill de chamada de variantes, que fornece comandos GATK4 HaplotypeCaller com grupos de anotação corretos, metas de sensibilidade das tranches do VQSR e configurações tumor-normal do Mutect2.
Todo o conjunto é liberado sob licença MIT-0.
Resultados medidos e a diferença em relação a rag
A avaliação divulgada pela AWS somou 410 prompts e comparou agentes com e sem as skills em workflows de descoberta de fármacos, operações de saúde e imagem médica. O ganho mais acentuado apareceu em pensamento crítico, com taxa de vitória entre 78% e 85% e tamanho de efeito (d) de 0,65 a 1,03.
A empresa também detalha três casos de uso completos e o passo a passo de instalação.
A AWS diferencia a abordagem de RAG e de ajuste fino. No RAG, o sistema recupera trechos limitados de documentos indexados para complementar a resposta.
As skills codificam o próprio procedimento de decisão e suas condições de erro.
Não se trata de fine-tuning: são prompts estruturados que se ativam conforme padrões de gatilho na consulta do usuário. A empresa aponta três propriedades.
A primeira é auditabilidade, já que cada critério é legível em markdown e não fica escondido nos pesos do modelo.
A segunda é portabilidade, pois funcionam sem adaptação em mais de 20 serviços, entre eles Amazon Bedrock AgentCore, AWS Strands Agents SDK, Kiro, Amazon Quick Desktop, Claude Code e OpenAI Codex. A terceira é manutenção simples, porque mudanças anuais de política médica ou novos critérios de experimento podem ser refletidos editando um arquivo de texto, sem retreinar modelo.
O que é preciso para colocar em prática
Para reproduzir os exemplos, a AWS lista como pré-requisitos o Kiro ou o Kiro CLI, para uso interativo de skills e orquestração multiagente; o AWS Strands Agents SDK com acesso a modelos de fundação do Amazon Bedrock; o AgentCore harness, recurso do Amazon Bedrock AgentCore, em conjunto com um agente já implementado; ou o Quick Desktop.
A empresa também orienta como personalizar, estender e criar skills próprias para casos de uso específicos. O catálogo completo segue organizado por domínio no repositório do projeto.
