Natera 分享实验室支持 Agent 架构

Natera 的实验室工程团队与 AWS 合作，基于 Amazon Bedrock AgentCore 构建了实验室运营支持系统 SWARM。它把设备手册、历史工单和运营数据用于故障诊断支持。AWS ML Blog 报告，其首次响应约提速 130 倍，支持工单自动化覆盖率达到 96.2%，但这两个指标不能直接当作故障解决效率。

目前能确认什么

SWARM 要解决的是经验难以传承的问题。Natera 的设备维护依赖工程师对特定仪器的深入了解，资深人员离职后，诊断经验也可能流失。原有流程每天处理超过 65 张工单，平均首次响应时间为 17.4 小时。

系统采用两个共享同一技能库的运行时：swarm-agent 在工程师打开工单前生成结构化诊断报告；swarm-hive 支持实时交互、上传图片和探索其他排障路径。

架构分为事件、Agent、上下文、可观测性与交付四层。Jira 工单经 Amazon EventBridge 和 Amazon SQS 流转，知识来自厂商手册、历史工单及运营数据。AgentCore 提供托管运行环境，部署通过 OIDC 和 AWS STS 获取临时凭证。

我的判断

这个案例最有参考价值的，是把团队经验接入工单处理流程。

对做内部支持 Agent 的程序员，共享技能库的设计值得关注：自动处理工单与人工交互可以复用排障能力，减少两套逻辑分别维护的负担。不过，节选没有展示技能的具体组织方式。

自动化覆盖率不等于问题解决率。

目前尚不清楚 96.2% 的统计口径，也不知道首次响应是否必须包含正确、可执行的诊断。完整内容还需确认诊断准确率、人工修正比例及评估样本如何构建。若只看响应速度，很容易把更快生成报告误当成更快恢复设备。