Owkin Pathology Explorer接入Claude：病理AI智能体被第三方平台调用的完整案例

一句话结论

Owkin 宣布其 K Pro 的 AI 智能体社区实现互操作——可以从外部平台直接调用。这支 104 秒的演示给出了具体场景：药企临床开发团队成员 Donna 不打开 Owkin 软件，直接在 Claude 里提出问题，Claude 识别意图后自动调用 Pathology Explorer 智能体，分析数千张病理图像，找出淋巴细胞浸润高的癌种。对关注 MCP 与智能体互操作的团队，这是”专业智能体被通用助手调度”的企业级落地样本。

场景：从药物机制反推适应症

Donna 的药物在肿瘤微环境淋巴细胞计数高的患者中效果好。她的问题反过来问：哪些其他癌种也有类似的淋巴细胞计数？这不需要她懂病理图像分析——她只是用自然语言向 Claude 提问。

Claude 识别出这是 Pathology Explorer 的能力范围，自动调用该智能体。Pathology Explorer 访问数千张组织学图像，把数十亿像素转化为有意义的生物学信息——数十亿个独立细胞，即时返回哪些癌种具有高淋巴细胞计数。

追问：空间位置让答案更精准

第一轮结果之后 Donna 继续追问：她更关心淋巴细胞集中在肿瘤区域内部的癌种。Pathology Explorer 分析淋巴细胞与癌细胞的空间相对位置，计算浸润分数，标出表现突出的适应症。两轮问答就完成了过去需要病理团队数周的分析工作。

闭环：回到 K Pro 做深度分析

快速探索完成后，Donna 再到 K Pro 里做深度分析——组合公开数据、Owkin 授权数据和公司自有专有数据。这个分工值得注意：通用助手（Claude）负责快速探索和调度，专业平台（K Pro）负责融合敏感数据的深度分析。企业 AI 架构里”入口”与”专业引擎”的分层，在这里体现得非常清楚。

普通用户完成专业分析：界面消失了

这支演示里最容易被忽略的细节是：Donna 全程没有切换软件、没有学习病理分析工具、没有写一行代码。她的全部操作就是两句自然语言——第一句问”哪些癌种淋巴细胞计数高”，第二句追问”哪些癌种的淋巴细胞集中在肿瘤区域内部”。中间的图像获取、细胞识别、空间计算、结果呈现全部由 Claude 与 Pathology Explorer 在后台完成。专业能力的入口从”学会工具”退化为”会描述问题”，这是智能体互操作对非技术用户最直接的价值。

对开发者的启示

这条演示同时回答了智能体经济的两个关键问题：专业智能体如何被发现自己（通过开放平台接入）、调用方如何付费授权（Owkin 授权数据仍在自有平台内使用）。做垂直 AI 工具的团队可以参考这个模式：把能力暴露成可调用的智能体，同时把数据主权留在自己的平台。

原文信息

• 原视频标题：Pathology Explorer | How biological AI Identifies Tumour Cells
• 频道：Owkin
• 讲者：Owkin 官方演示
• 发布日期：2026-05-13
• 视频时长：约 2 分钟