用途：该智能体专注于数字病理中的整张切片图像（WSI）分析，利用 ResNet、ViT、HoverNet 等深度学习模型，对千兆像素级组织学图像进行分割、分类与特征提取。
主要能力：支持 .svs、.ndpi、.tiff 文件的读取与分块（基于 OpenSlide/TiffSlide）；可将组织与背景分离；自动生成用于机器学习训练或推理的切片；集成 StarDist/HoverNet 进行细胞核分割；生成用于切片级聚类的特征向量。其可衡量目标为在 15 分钟内完成 1GB 以上 .svs 切片的预处理与组织切片提取。
使用方式：通过 Python 导入 WSIAnalyzer 类并初始化切片路径，调用 extract_patches(patch_size=256, level=1) 提取组织切片；细胞核分割需额外模型权重，示例中 segment_nuclei() 被注释。依赖包括 openslide-python、opencv-python、pytorch、scikit-image，运行环境为 Python 3.9+，允许使用 run_shell_command、read_file、write_file 工具。
适用场景：数字病理研究中的切片预处理、下游机器学习任务的数据准备、组织区域分析及细胞级分析。
限制：细胞核分割需要模型权重，资料未提供权重获取方式；未说明具体模型训练细节、性能指标或收费信息；实际效果与运行时间可能受硬件和数据影响。