Cohere Health 如何用 Amazon Bedrock AgentCore 实现临床政策数字化

预授权审批是医疗行业最依赖人工操作的环节之一。健康计划需要在覆盖特定医疗服务或药物之前完成审批，而管理这一流程的临床政策文件通常以静态 PDF 或非结构化文档形式存在，难以被自动化系统直接使用。这些政策内容因临床领域、地理位置、业务线和健康计划的不同而存在差异，并随医学与技术进步持续演变，每年影响数亿患者的日常医疗体验。

Cohere Health 在构建 AI 解决方案时识别出三大核心挑战：一是 CMS 法规要求健康计划在 2027 年 1 月前支持基于 API 的电子预授权；二是 AHIP 承诺要求电子预授权提交实现 80% 的实时审批率；三是技术架构层面需要支持多种输入格式，并为不同下游消费者生成不同的政策表示形式，每种形式都有独立的反馈循环。这些需求共同推动了对可扩展、可审计的智能体系统的迫切需求。

Cohere Policy Studio 基于 Amazon Bedrock AgentCore 构建，采用两层部署架构将稳定的运行时环境与团队特定配置分离。AgentCore Runtime 的安全 MicroVM 隔离为每个会话提供独立的计算、内存和文件系统资源，满足多个健康计划客户之间严格的数据隔离要求。团队通过最小化 Dockerfile 和共享基础镜像模式，将 LangChain 智能体框架与通用依赖项封装为可复用的 ECR 基础镜像，各团队只需叠加自身的 agent_config.yaml 配置文件即可完成部署。

AgentCore Gateway 为智能体提供统一的工具与技能访问入口，整合了用于获取技能和文档的 AWS Lambda 函数以及跨团队维护的内部 API。智能体配置支持灵活切换无状态与持久化会话记忆模式，并通过会话上下文缓存避免对 Amazon S3 的冗余请求，同时支持系统提示缓存以降低成本和延迟。AgentCore Memory 则为政策分析师提供了完整的反馈循环，使团队能够在受治理的人机协作流程中持续优化输出结果。

在技能开发层面，Cohere Health 与临床政策专家共同编写 Agent Skills，并基于 Arize AI 构建标准化可观测性流程对技能进行评估。当需要扩展 Cohere Policy Studio 的政策表示能力时，团队只需向已有的 AgentCore Runtime 添加新技能，而无需重建整个基础设施。这种模块化扩展方式显著降低了新能力上线的工程成本，同时通过自动版本追踪和工作流管理保障了政策变更的透明度与可审计性。

Cohere Health 的实践表明，将多租户智能体架构与受管运行时基础设施相结合，能够有效破解临床政策数字化的规模化瓶颈。AgentCore 提供的托管运行时加速了部署进程，使工程团队无需从零重建隔离与工具管理基础设施。这一架构模式不仅适用于医疗预授权场景，也为其他需要在严格合规约束下实现 AI 辅助工作流规模化的行业提供了可借鉴的参考范式。

要点

• AgentCore Runtime 的 MicroVM 隔离机制为多租户场景提供会话级别的计算与数据隔离，满足医疗行业严格的合规要求。
• 两层镜像部署架构将通用运行时环境与团队特定配置分离，显著降低多智能体部署的维护成本与配置漂移风险。
• AgentCore Gateway 统一整合 Lambda 函数、MCP 工具和内部 API，配合 AgentCore Memory 实现完整的人机协作反馈循环。
• 基于 Agent Skills 开放标准的模块化技能扩展方式，使新政策表示能力可在不重建基础设施的前提下快速上线。
• 临床政策数字化需在自动化效率与人工临床监督之间保持平衡，版本追踪与可观测性机制是保障透明度的关键基础设施。