前言¶
做患者运营或营销自动化的开发者常会遇到这样的需求：手里有一批患者数据（人口学、临床、行为、处方），产品方要求”把患者分一下”，下一步却接不上动作——分出来的群要么是聚类算法输出的数字编号，要么是拍脑袋的粗分类，运营拿着没法用。
下面介绍的 Skill 是患者分层与画像生成（@baitongai/patient-stratification-portrait-generation-skill），由百通AI服务平台发布，版本 2.0.0，属于 professional 分类、enterprise 来源的 SkillHub 技能。它的目标就是把患者数据按固定模型切成 4-6 个可执行的人群，并为每层生成能直接指导触达的画像卡片。
定位¶
一句话定位：输入患者数据，输出分层矩阵 + 触达策略矩阵。
它解决的是”分完群之后呢”的问题。常见的 RFM 分层只回答”哪些患者贡献高”，而这个 Skill 在价值维度之外还引入了流失风险、旅程阶段等维度，每层都附带触达建议，分层结果和下一步动作是绑定的。
核心功能¶
按官方简介，该 Skill 的能力如下：
- 触发方式：当用户要求患者分层、患者画像、患者分群、患者细分，或提到患者价值分层、流失风险、CLV、患者触达策略、patient profiling、patient stratification、RFM患者模型、患者聚类时触发。
- 数据输入：导入患者数据，覆盖人口学、临床、行为、处方四类字段。
- 分层模型：按 RFMA-J 五维模型自动分层，将患者划分为 4-6 个可执行患者群。
- 画像卡片：每层生成一张画像卡片，包含核心特征、触达建议、流失风险、旅程阶段四项内容。
- 输出物：分层矩阵与触达策略矩阵，前者说明”每群是谁、有多大”，后者说明”每群用什么方式触达”。
注意官方资料只给出了模型名称（RFMA-J）和维度数量（五维），未展开每个维度的具体定义，实施前建议向发布方确认 D-F 三个维度的含义。
它和 S4 患者亚型树的区别¶
官方明确给出了一个互补关系：该 Skill（编号 S14）与 S4 患者亚型树互补——S4 切市场（有多少人），S14 切患者（这些人是谁、怎么触达）。也就是说，S4 回答疾病分型层面的宏观结构，S14 回答运营执行层面的细分与触达。如果你的需求是判断某个疾病亚型有多大的市场空间，用 S4；如果需求是对这个市场里的具体患者做分层运营，用这个 Skill。
安装与启用¶
该 Skill 托管在 SkillHub，坐标为：
@baitongai/patient-stratification-portrait-generation-skill
版本 2.0.0，分类 professional，来源 enterprise，发布者为百通AI服务平台。
需要留意的两点：
- 官方资料标注了
requires_api_key=true，即调用需要 API Key，使用前要先向发布方申请并配置，具体配置字段以官方文档为准。 - 本次核对的官方页面未能访问成功，资料中未给出具体的安装命令（如包管理器命令或 IDE 内的安装路径）。如果你在 Cursor、Codex CLI 或 Claude Code 中使用，建议先在对应工具的技能市场里搜索上述坐标确认当前版本的安装方式，不要盲目照抄第三方教程。
典型用法¶
官方资料未提供完整的可复现示例，下面给出基于触发词机制的用法框架——在下面对支持该 Skill 的 Agent 的会话中，按触发词发起需求即可：
请基于这份患者数据做患者分层与画像生成。
数据：[人口学字段 / 临床字段 / 行为字段 / 处方字段]
目标：按 RFMA-J 五维模型分层，输出每层画像卡片、分层矩阵和触达策略矩阵。
预期输出为两层结果：
- 4-6 个患者群，每群一张画像卡片（核心特征、触达建议、流失风险、旅程阶段）。
- 分层矩阵（人群结构一览）+ 触达策略矩阵（每层对应的触达方式）。
使用前建议先确认四类输入数据的字段格式与官方要求一致，字段缺失或口径不齐会导致分层结果偏离。
适用场景与注意¶
适合的场景：
- 有患者级数据（含处方/行为等行为数据明细），且需要支撑运营触达决策的团队。
- 已经做过宏观市场分型（S4），需要往下钻到患者执行层的场景。
- 需要把 CLV、流失风险这类指标落成具体人群清单和触达动作的场景。
需要留意的限制：
- 合规前提：处理患者数据涉及个人信息与医疗健康数据，使用前需确认数据授权、脱敏和存储合规，这取决于你自己的数据治理，Skill 本身不解决合规问题。
- API Key 依赖：标签显示 requires_api_key=true，没有 Key 无法调用。
- 模型细节不透明：RFMA-J 五维模型中 R/F/M/A/J 各字母对应的权重、阈值未在官方资料中公开，对分层结果有硬性要求（如必须区分出某类人群）前，先小规模试跑验证。
- 层数不固定：输出为 4-6 个群，具体层数取决于你的数据分布，不要预设固定数字。
- 官方页面本次未能访问，安装命令和更详细的文档建议直接通过下方官方地址向发布方确认。
结尾¶
这个 Skill 的价值在于把”患者分层”从一个算法名词变成一个交付物：分层矩阵说明人群结构，触达策略矩阵说明每群怎么触达。配合其 4-6 层输出和画像卡片，可以直接交给运营执行，而不是停留在报表层面。
官方地址：https://api.skillhub.cn/baitongai/patient-stratification-portrait-generation-skill
SkillHub 页面：https://www.skillhub.cn/skills/baitongai/patient-stratification-portrait-generation-skill
