/tags/guidelines/林協霆醫師 (guidelines)Hugo -- gohugo.iozh-twhttps://htl.physician.tw/favicon-32x32.pnghttps://htl.physician.tw/3232https://htl.physician.tw/favicon-32x32.pnghttps://htl.physician.tw/android-chrome-512x512.png5bbad5Sat, 28 Mar 2026 00:00:00 +0000/blog/nccn-skill-2026-03-28/Sat, 28 Mar 2026 00:00:00 +0000/blog/nccn-skill-2026-03-28/<h2 id="introduction引言" > <div> <a href="#introduction%e5%bc%95%e8%a8%80"> # </a> Introduction（引言） </div> </h2> <p>NCCN（美國國家綜合癌症網路）臨床實踐指引為腫瘤學最廣為使用的決策參考之一，但其 PDF 格式不利於 AI 工具直接消費。當醫師詢問特定臨床決策時，LLM 若只依賴一般訓練資料，可能引用過時版本或產生幻覺。本專案以「元 Skill」（meta-skill）為定位：它的功能不是直接回答臨床問題，而是把任意 NCCN PDF 指引「轉換為可被 Claude 等客戶端載入的 Skill 套件」。</p> <h2 id="methods方法" > <div> <a href="#methods%e6%96%b9%e6%b3%95"> # </a> Methods（方法） </div> </h2> <p>實作以 Python 為主，整體流程：擷取 PDF 為結構化區段（章節、決策樹、藥物表格）；以平行 Haiku 模型完成各區段的細節轉譯；產出符合 Vercel Skills 協定的 Skill 套件，包含 metadata、漸進式揭露的內容檔與抗幻覺機制。引文強制機制要求最終 Skill 在回答時必須引用對應的指引段落原文，避免 LLM 自行延伸。</p> <p>設計重點為「漸進式揭露」：Skill 不會一次將整份指引塞入 LLM context，而是依使用者問題動態擷取相關段落，平衡資訊密度與 context 長度。平行 Haiku 設計則大幅縮短轉換時間，使一份完整指引可在數十分鐘內被「Skill 化」。</p> <h2 id="results結果" > <div> <a href="#results%e7%b5%90%e6%9e%9c"> # </a> Results（結果） </div> </h2> <p>研究者或臨床教師可將任意 NCCN 指引透過本元 Skill 轉換為可分享的 Skill 套件，並透過 <code>npx skills add</code> 安裝至 Claude 客戶端。對於組織內部教學，這提供一種「將共享資源轉化為共享工具」的新方式。實證上產出的 Skill 在抗幻覺機制下顯著降低引文錯誤率。</p> <h2 id="discussion討論" > <div> <a href="#discussion%e8%a8%8e%e8%ab%96"> # </a> Discussion（討論） </div> </h2> <p>本專案具體實踐了「指引即 Skill」的觀念：當臨床指引能以結構化方式被 LLM 消費時，便能在不違反著作權的前提下大幅提升 LLM 的臨床可信度。限制方面，PDF 結構複雜時轉換品質仍需人工審核；NCCN 指引更新頻繁，Skill 需有版本管理機制。未來可擴展支援其他指引（ESMO、ASH、ESC），並建立中央 Skill 倉庫供臨床社群協作。</p> <h2 id="連結" > <div> <a href="#%e9%80%a3%e7%b5%90"> # </a> 連結 </div> </h2> <ul> <li>GitHub：<a href="https://github.com/htlin222/nccn-skill">htlin222/nccn-skill</a></li> <li>主要語言：Python</li> <li>最後更新：2026-03-28</li> </ul>