О чём урок
Этот ноутбук демонстрирует, как превратить образец заявки на предварительную авторизацию и общедоступные документы политики Центров услуг Medicare и Medicaid (CMS) в цитируемую оценку для человека-плательщика. Приложение оценивает каждый критерий политики и выбирает очередь для рассмотрения. Оно не принимает решения о покрытии.
Вы будете использовать OpenAI Agents SDK с моделями OpenAI на Amazon Bedrock, извлекать текст политики из управляемой базы знаний Bedrock, проверять результат в коде приложения и развертывать то же приложение Python в среде выполнения Amazon Bedrock AgentCore. Ноутбук и его вспомогательная папка prior_authorization_agentcore не требуют сопутствующего семинара или его пользовательского интерфейса.
Данные о члене, заявке и клинических доказательствах являются синтетическими. Страницы CMS являются общедоступными источниками, но их сопоставление с образцом политики плательщика специфично для этого примера и не должно использоваться в качестве руководства по покрытию. Только квалифицированный рецензент может зафиксировать окончательное решение.
Успешный запуск возвращает review_ready с выбранными источниками CMS, оценкой каждого критерия политики и очередью для рассмотрения человеком. Запрос выполняется в следующие этапы:
- Извлечение текста из образца PDF-файла поставщика и проверка ожидаемых полей отчета.
- Разрешение идентификатора и версии политики запроса к критериям, хранящимся в конфигурации приложения.
- Извлечение соответствующего текста политики CMS с помощью управляемого гибридного поиска и переранжирования, затем проверка его идентификации, источника и оценки.
- Использование Luna для инвентаризации представленных доказательств, Terra для сопоставления этих доказательств с критериями политики и Sol для получения окончательной оценки.
- Проверка цитат и маршрутизации рассмотрения в Python перед возвратом результата.
Сгенерированное приложение создает три отдельных объекта Agent OpenAI Agents SDK внутри одной среды выполнения AgentCore. Оно вызывает их последовательно — не параллельно — и каждый агент использует свою соответствующую модель OpenAI GPT-5.6 через Amazon Bedrock:
Код приложения фиксирует порядок и проверяет каждую передачу; ни один агент не выбирает следующий этап. Если вы адаптируете этот шаблон для представлений только со структурированными данными, сделайте обход Luna правилом, принадлежащим приложению, а не решением модели.
План урока
- Что вы создадите
- 1. Настройка среды
- 2. Определение примера случая и сопоставления политики
- 3. Создание или выбор управляемой базы знаний Bedrock
- 4. Загрузка документов CMS
- 5. Генерация приложения AgentCore
- 6. Проверка порядка применения и извлечения
- 7. Вызов локальной HTTP-конечной точки AgentCore
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.