在 WSL Ubuntu 中搭建 Biomni DeepSeek Open WebUI更新2026.8.6统一环境名为biomni_e1环境Windows WSL Ubuntu 22.04目标在 Windows 浏览器中用类似 ChatGPT 的界面调用 Biomni A1并使用 DeepSeek 作为后端大模型。Biomni 能做什么Biomni 是一个面向生物医学研究的 AI agent。它和普通聊天模型最大的区别是普通模型主要负责“回答”而 Biomni 会尝试把问题拆成可执行的生物医学任务再结合工具、数据库和文献检索来完成分析。它适合的场景包括文献和数据库检索 基因、蛋白、药物、疾病相关信息整理 候选基因或候选蛋白分析 蛋白互作和分子对接任务规划 RNA-seq、单细胞、微生物等生信分析流程规划 调用本地或在线生物信息学工具datalake Biomni 自带数据/知识库 E1 生物信息学软件工具箱 Python/R 包 CLI 工具 A1 Biomni agent DeepSeek A1 背后的 LLM 大脑这次实际测试中我让 Biomni 分析细菌蛋白与靶蛋白的蛋白对接预测思路。它会先判断任务类型再检索 HDOCK、ClusPro 等在线服务结合候选蛋白信息给出排序和后续提交建议。整体感觉是速度比普通聊天慢但处理流程更像一个生物医学分析助手而不是只生成一段泛泛解释。最终架构Windows 浏览器 ↓ Open WebUI ↓ OpenAI-compatible API 本地 Biomni adapter ↓ Biomni A1 DeepSeek API核心概念A1 Biomni agent负责理解任务、规划步骤、调用工具 DeepSeek A1 背后的 LLM 大脑负责语言理解和推理生成 datalake Biomni 自带数据/知识库用于增强检索和生物医学背景信息 E1 生物信息学软件工具箱包含 Python/R 包和常用 CLI 工具简单理解A1 负责“怎么做” DeepSeek 负责“怎么想和怎么写” datalake 提供“查什么资料” E1 提供“用什么工具执行”模型分工deepseek-fast 普通聊天、PDF 问答、文档总结 biomni-deepseek Biomni A1 agent 任务、生物医学工具调用、datalake 检索本次私人定制修改这套方案不是纯官方 Biomni 安装而是在官方 Biomni A1 之外做了几处本机定制增加了 OpenAI-compatible adapter用 FastAPI 写了一个本地接口把 Biomni A1 包装成 Open WebUI 能识别的 OpenAI API。增加了两个模型入口biomni-deepseek走 Biomni A1适合 agent 任务deepseek-fast直接调用 DeepSeek适合普通聊天和 PDF。创建了 Open WebUI 的交互界面仿照ChatGPT创建了 Open WebUI 的交互界面使用起来更方便。增加了 Open WebUI 文件上传 embedding 接口adapter 提供了轻量/v1/embeddings让 Open WebUI 文件上传流程可以先跑通不必首次启动就下载 HuggingFace embedding 模型。增加了 Biomni 运行进度输出biomni-deepseek会把 Biomni 的工具日志筛选后以 SSE 流式返回例如Status和Progress避免长任务看起来像卡死。屏蔽 Biomni 配置打印中的 API key本机安装包里对 Biomni A1 的配置输出做了脱敏处理避免启动时把 DeepSeek API key 明文打印到终端。增加了 Windows 一键启动脚本用.bat和.ps1脚本同时启动 WSL 内的 Biomni adapter 和 Open WebUI浏览器直接访问http://localhost:8080。本次实际使用情况安装和调试完成后我用biomni-deepseek做了一次蛋白相互作用相关测试让 Biomni 帮助分析细菌的蛋白是否能与某个蛋白进行互作然后挑选排名靠前的候选蛋白使用 HDOCK 在线服务进行分子对接预测。这次测试里Biomni 的处理过程大致包括1. 识别任务类型蛋白-蛋白分子对接预测 2. 检索 HDOCK / ClusPro 相关在线服务和提交方式 3. 分析本地提供的候选蛋白文件和靶标蛋白信息 4. 给出候选互作蛋白排序 5. 尝试规划后续在线对接提交路径 6. 在 Open WebUI 中持续显示 Status / Progress 运行状态从 DeepSeek 控制台看到当天安装调试加上这次蛋白对接分析测试总消耗大约是消费金额¥1.12 CNY API 请求次数197 Tokens3,574,930个人感觉这个消耗比较大。这个成本只代表当天这一次安装调试和测试任务不代表固定价格。实际费用会随模型、上下文长度、文件大小、调用次数和 Biomni 工具流程变化。主观体验上biomni-deepseek比普通聊天模型慢很多但处理过程比较合理。它不是直接给一个泛泛回答而是会先拆解任务、检索资源、分析蛋白信息再给出候选对象和后续对接建议。对于这类生物医学 agent 任务慢是可以接受的但普通 PDF 问答和日常聊天没有必要走 Biomni直接选deepseek-fast更合适或者直接在deepseek官网。推荐实施方式想尝试 Biomni 的人想来多数本来就熟悉 Linux、conda、Python 包管理和本地 agent。因此后面的安装与调试不再逐行列命令。更合适的方式是把目标、约束和验收标准写清楚然后交给本地 agent 执行。Ubuntu 22.04 的环境可能比较合适。下面这份提示词可以直接给 Codex、Claude Code、Cursor、OpenHands 或其他本地 agent 使用。安装与调试提示词你是我的本地工程助手。请在 Windows WSL Ubuntu 22.04 环境中帮我搭建 Biomni DeepSeek Open WebUI。 目标 1. 参考https://github.com/snap-stanford/biomni在 WSL 中安装 Biomni A1。 2. 使用 DeepSeek API 作为 Biomni A1 背后的 LLM。 3. 不使用 Docker使用 pip 版 Open WebUI。 4. 在 Windows 浏览器中通过 http://localhost:8080 使用。 5. 提供两个模型 - deepseek-fast直连 DeepSeek用于普通聊天、PDF 问答、文档总结。 - biomni-deepseek调用 Biomni A1用于生物医学 agent 任务。 6. 支持 Open WebUI 文件上传流程。 7. biomni-deepseek 长任务要显示 Status / Progress 运行进度。 8. 不要在终端或日志中明文打印 DeepSeek API key。 关键要求 1. Biomni 安装在 conda 环境 biomni_e1Python 版本使用 3.11。 2. Open WebUI 安装在单独 conda 环境 openwebui。 3. conda 环境必须禁用 ~/.local 用户 site-packages 污染。 4. Biomni 不要使用 pip install -e .直接从 GitHub main 普通安装。 5. DeepSeek 通过 OpenAI-compatible 方式调用base_url 使用 https://api.deepseek.com。 6. 本地 adapter 使用 FastAPI提供 - GET /health - GET /v1/models - POST /v1/chat/completions - POST /v1/embeddings 7. /v1/models 至少返回 biomni-deepseek 和 deepseek-fast。 8. deepseek-fast 不能调用 Biomni必须直接请求 DeepSeek。 9. biomni-deepseek 才调用 Biomni A1。 10. embedding 可以先用轻量本地实现只要能让 Open WebUI 文件上传流程跑通。 需要生成的本地文件 1. biomni_openai_api.py - FastAPI adapter。 - 兼容 OpenAI chat completions。 - 支持 streaming SSE。 - biomni-deepseek 输出可审计运行进度不输出隐藏思维链。 - deepseek-fast 直连 DeepSeek。 - 提供轻量 embedding endpoint。 2. Start Biomni OpenWebUI.bat - Windows 一键启动入口。 3. Start-BiomniOpenWebUI.ps1 - Windows 主启动脚本。 4. start_biomni_api_wsl.sh - 在 WSL 中启动 Biomni adapter。 5. start_openwebui_wsl.sh - 在 WSL 中启动 Open WebUI。 验收标准 1. python -c from biomni.agent import A1; print(Biomni import OK) 成功。 2. DeepSeek API 测试能返回 OK。 3. http://localhost:8008/health 返回 ok。 4. http://localhost:8008/v1/models 返回 biomni-deepseek 和 deepseek-fast。 5. Open WebUI 能在 http://localhost:8080 打开。 6. Open WebUI 中能选择 deepseek-fast 和 biomni-deepseek。 7. deepseek-fast 能快速回答普通问题。 8. biomni-deepseek 能调用 Biomni A1并在长任务中显示 Status / Progress。 9. 上传 PDF 后使用 deepseek-fast 可以进行文档问答。 10. 任何日志和终端输出都不能泄露完整 API key。 请按最小可行方案实现不要引入不必要的复杂依赖。每完成一个阶段都运行验证命令并把结果告诉我。datalake 下载提示词Biomni A1 不下载 datalake 也能运行但能力不完整。需要完整知识库时再下载 datalake。下载时关闭梯子否则总是出现”下载中断“影响完整度。可以把下面这段交给本地 agent请帮我下载 Biomni datalake并做完整性验证。 要求 1. 使用已配置好的 biomni conda 环境。 2. 下载目录使用 ~/biomni_runs/data。 3. 通过 Biomni A1 的默认 datalake 下载逻辑获取数据。 4. 下载过程允许断点后重新运行。 5. 不要只看下载脚本最后是否打印 complete。 6. 下载后写一个 verify_biomni_datalake.py检查预期文件数量、已存在文件数量和缺失文件列表。 7. 如果部分文件因为 IncompleteRead 或网络中断没有下载完整请重新补齐。 验收标准 1. Expected files 显示 76。 2. Present files 显示 76。 3. Missing files 显示 0。 4. 输出 Datalake looks complete。 5. 数据目录大小合理约十几 GB。E1 安装提示词E1 是 Biomni 的完整本地工具环境。它不是 datalake而是生物信息学软件工具箱包含 Python/R 包和常用 CLI 工具。官方提示安装时间超过 10 小时并且需要至少 30 GB 磁盘空间。建议先确认 A1 DeepSeek Open WebUI datalake 正常再安装 E1。可以把下面这段交给本地 agent请帮我在 WSL Ubuntu 中补充安装 Biomni E1 环境。 要求 1. 按 Biomni 官方说明在 biomni_e1 环境将e1补充完整。 2. 安装前检查磁盘空间至少预留 30 GB。 3. 安装过程放到后台运行日志写入 /tmp/biomni_e1_setup.log。 4. 提供 Windows 侧启动脚本和日志查看脚本。 5. shell 中要正确 source conda.sh避免非交互 shell 找不到 conda。 6. 不要重复创建同名环境遇到已有 biomni_e1 时先检查安装状态。 7. 当安装时出现报错就先跳过最后提示一下哪些是失败的询问是否要解决这些失败项。 验收标准 9. conda env list 能看到 biomni_e1。 10. setup.sh 没有异常退出。 11. 常用生信 CLI 工具可调用。 12. Python/R 相关生信包能在 biomni_e1 中导入。 13. 日志中没有未处理的安装失败。E1 适合做更完整的本地生信任务例如RNA-seq single-cell RNA-seq microbiome genomics variant analysis pathway analysis protein and structure workflows本地大型文件怎么处理Open WebUI 的文件上传适合 PDF、txt、docx 这类文档问答不适合 FASTQ、BAM、VCF、count matrix 这类大型生信文件。大型数据建议放在 WSL 本地路径中然后在对话里把路径告诉 Biomni我的 RNA-seq 数据在 /home/xxx/projects/project1/raw_data/ 样本信息表在 /home/xxx/projects/project1/metadata/samples.csv 请检查数据结构规划 QC、比对或定量、差异分析和结果汇总流程。推荐目录结构/home/xxx/projects/project_name/ raw_data/ metadata/ results/ logs/日常使用启动入口Start Biomni OpenWebUI.bat浏览器访问http://localhost:8080模型选择普通聊天 / PDF / 文档总结 deepseek-fast Biomni agent / 生物医学工具调用 / datalake 检索 biomni-deepseek成本上也建议这样分流。biomni-deepseek会做任务拆解、检索和工具调用token 消耗明显高于普通聊天deepseek-fast更适合低成本、高频率的日常问答。最终组合Windows 浏览器 Open WebUI DeepSeek API Biomni A1 Biomni datalake 可选 Biomni E1这套方案的重点不是把 Biomni 当成普通聊天模型而是把它作为一个可以规划、检索、调用工具的生物医学 agent。普通问题走deepseek-fast真正需要生物医学任务拆解和工具链时再走biomni-deepseek。大家还可以利用codex等agent再私人定制一下让它使用起来更加好用。 在 WSL Ubuntu 中搭建 Biomni + DeepSeek + Open WebUI
在 WSL Ubuntu 中搭建 Biomni DeepSeek Open WebUI更新2026.8.6统一环境名为biomni_e1环境Windows WSL Ubuntu 22.04目标在 Windows 浏览器中用类似 ChatGPT 的界面调用 Biomni A1并使用 DeepSeek 作为后端大模型。Biomni 能做什么Biomni 是一个面向生物医学研究的 AI agent。它和普通聊天模型最大的区别是普通模型主要负责“回答”而 Biomni 会尝试把问题拆成可执行的生物医学任务再结合工具、数据库和文献检索来完成分析。它适合的场景包括文献和数据库检索 基因、蛋白、药物、疾病相关信息整理 候选基因或候选蛋白分析 蛋白互作和分子对接任务规划 RNA-seq、单细胞、微生物等生信分析流程规划 调用本地或在线生物信息学工具datalake Biomni 自带数据/知识库 E1 生物信息学软件工具箱 Python/R 包 CLI 工具 A1 Biomni agent DeepSeek A1 背后的 LLM 大脑这次实际测试中我让 Biomni 分析细菌蛋白与靶蛋白的蛋白对接预测思路。它会先判断任务类型再检索 HDOCK、ClusPro 等在线服务结合候选蛋白信息给出排序和后续提交建议。整体感觉是速度比普通聊天慢但处理流程更像一个生物医学分析助手而不是只生成一段泛泛解释。最终架构Windows 浏览器 ↓ Open WebUI ↓ OpenAI-compatible API 本地 Biomni adapter ↓ Biomni A1 DeepSeek API核心概念A1 Biomni agent负责理解任务、规划步骤、调用工具 DeepSeek A1 背后的 LLM 大脑负责语言理解和推理生成 datalake Biomni 自带数据/知识库用于增强检索和生物医学背景信息 E1 生物信息学软件工具箱包含 Python/R 包和常用 CLI 工具简单理解A1 负责“怎么做” DeepSeek 负责“怎么想和怎么写” datalake 提供“查什么资料” E1 提供“用什么工具执行”模型分工deepseek-fast 普通聊天、PDF 问答、文档总结 biomni-deepseek Biomni A1 agent 任务、生物医学工具调用、datalake 检索本次私人定制修改这套方案不是纯官方 Biomni 安装而是在官方 Biomni A1 之外做了几处本机定制增加了 OpenAI-compatible adapter用 FastAPI 写了一个本地接口把 Biomni A1 包装成 Open WebUI 能识别的 OpenAI API。增加了两个模型入口biomni-deepseek走 Biomni A1适合 agent 任务deepseek-fast直接调用 DeepSeek适合普通聊天和 PDF。创建了 Open WebUI 的交互界面仿照ChatGPT创建了 Open WebUI 的交互界面使用起来更方便。增加了 Open WebUI 文件上传 embedding 接口adapter 提供了轻量/v1/embeddings让 Open WebUI 文件上传流程可以先跑通不必首次启动就下载 HuggingFace embedding 模型。增加了 Biomni 运行进度输出biomni-deepseek会把 Biomni 的工具日志筛选后以 SSE 流式返回例如Status和Progress避免长任务看起来像卡死。屏蔽 Biomni 配置打印中的 API key本机安装包里对 Biomni A1 的配置输出做了脱敏处理避免启动时把 DeepSeek API key 明文打印到终端。增加了 Windows 一键启动脚本用.bat和.ps1脚本同时启动 WSL 内的 Biomni adapter 和 Open WebUI浏览器直接访问http://localhost:8080。本次实际使用情况安装和调试完成后我用biomni-deepseek做了一次蛋白相互作用相关测试让 Biomni 帮助分析细菌的蛋白是否能与某个蛋白进行互作然后挑选排名靠前的候选蛋白使用 HDOCK 在线服务进行分子对接预测。这次测试里Biomni 的处理过程大致包括1. 识别任务类型蛋白-蛋白分子对接预测 2. 检索 HDOCK / ClusPro 相关在线服务和提交方式 3. 分析本地提供的候选蛋白文件和靶标蛋白信息 4. 给出候选互作蛋白排序 5. 尝试规划后续在线对接提交路径 6. 在 Open WebUI 中持续显示 Status / Progress 运行状态从 DeepSeek 控制台看到当天安装调试加上这次蛋白对接分析测试总消耗大约是消费金额¥1.12 CNY API 请求次数197 Tokens3,574,930个人感觉这个消耗比较大。这个成本只代表当天这一次安装调试和测试任务不代表固定价格。实际费用会随模型、上下文长度、文件大小、调用次数和 Biomni 工具流程变化。主观体验上biomni-deepseek比普通聊天模型慢很多但处理过程比较合理。它不是直接给一个泛泛回答而是会先拆解任务、检索资源、分析蛋白信息再给出候选对象和后续对接建议。对于这类生物医学 agent 任务慢是可以接受的但普通 PDF 问答和日常聊天没有必要走 Biomni直接选deepseek-fast更合适或者直接在deepseek官网。推荐实施方式想尝试 Biomni 的人想来多数本来就熟悉 Linux、conda、Python 包管理和本地 agent。因此后面的安装与调试不再逐行列命令。更合适的方式是把目标、约束和验收标准写清楚然后交给本地 agent 执行。Ubuntu 22.04 的环境可能比较合适。下面这份提示词可以直接给 Codex、Claude Code、Cursor、OpenHands 或其他本地 agent 使用。安装与调试提示词你是我的本地工程助手。请在 Windows WSL Ubuntu 22.04 环境中帮我搭建 Biomni DeepSeek Open WebUI。 目标 1. 参考https://github.com/snap-stanford/biomni在 WSL 中安装 Biomni A1。 2. 使用 DeepSeek API 作为 Biomni A1 背后的 LLM。 3. 不使用 Docker使用 pip 版 Open WebUI。 4. 在 Windows 浏览器中通过 http://localhost:8080 使用。 5. 提供两个模型 - deepseek-fast直连 DeepSeek用于普通聊天、PDF 问答、文档总结。 - biomni-deepseek调用 Biomni A1用于生物医学 agent 任务。 6. 支持 Open WebUI 文件上传流程。 7. biomni-deepseek 长任务要显示 Status / Progress 运行进度。 8. 不要在终端或日志中明文打印 DeepSeek API key。 关键要求 1. Biomni 安装在 conda 环境 biomni_e1Python 版本使用 3.11。 2. Open WebUI 安装在单独 conda 环境 openwebui。 3. conda 环境必须禁用 ~/.local 用户 site-packages 污染。 4. Biomni 不要使用 pip install -e .直接从 GitHub main 普通安装。 5. DeepSeek 通过 OpenAI-compatible 方式调用base_url 使用 https://api.deepseek.com。 6. 本地 adapter 使用 FastAPI提供 - GET /health - GET /v1/models - POST /v1/chat/completions - POST /v1/embeddings 7. /v1/models 至少返回 biomni-deepseek 和 deepseek-fast。 8. deepseek-fast 不能调用 Biomni必须直接请求 DeepSeek。 9. biomni-deepseek 才调用 Biomni A1。 10. embedding 可以先用轻量本地实现只要能让 Open WebUI 文件上传流程跑通。 需要生成的本地文件 1. biomni_openai_api.py - FastAPI adapter。 - 兼容 OpenAI chat completions。 - 支持 streaming SSE。 - biomni-deepseek 输出可审计运行进度不输出隐藏思维链。 - deepseek-fast 直连 DeepSeek。 - 提供轻量 embedding endpoint。 2. Start Biomni OpenWebUI.bat - Windows 一键启动入口。 3. Start-BiomniOpenWebUI.ps1 - Windows 主启动脚本。 4. start_biomni_api_wsl.sh - 在 WSL 中启动 Biomni adapter。 5. start_openwebui_wsl.sh - 在 WSL 中启动 Open WebUI。 验收标准 1. python -c from biomni.agent import A1; print(Biomni import OK) 成功。 2. DeepSeek API 测试能返回 OK。 3. http://localhost:8008/health 返回 ok。 4. http://localhost:8008/v1/models 返回 biomni-deepseek 和 deepseek-fast。 5. Open WebUI 能在 http://localhost:8080 打开。 6. Open WebUI 中能选择 deepseek-fast 和 biomni-deepseek。 7. deepseek-fast 能快速回答普通问题。 8. biomni-deepseek 能调用 Biomni A1并在长任务中显示 Status / Progress。 9. 上传 PDF 后使用 deepseek-fast 可以进行文档问答。 10. 任何日志和终端输出都不能泄露完整 API key。 请按最小可行方案实现不要引入不必要的复杂依赖。每完成一个阶段都运行验证命令并把结果告诉我。datalake 下载提示词Biomni A1 不下载 datalake 也能运行但能力不完整。需要完整知识库时再下载 datalake。下载时关闭梯子否则总是出现”下载中断“影响完整度。可以把下面这段交给本地 agent请帮我下载 Biomni datalake并做完整性验证。 要求 1. 使用已配置好的 biomni conda 环境。 2. 下载目录使用 ~/biomni_runs/data。 3. 通过 Biomni A1 的默认 datalake 下载逻辑获取数据。 4. 下载过程允许断点后重新运行。 5. 不要只看下载脚本最后是否打印 complete。 6. 下载后写一个 verify_biomni_datalake.py检查预期文件数量、已存在文件数量和缺失文件列表。 7. 如果部分文件因为 IncompleteRead 或网络中断没有下载完整请重新补齐。 验收标准 1. Expected files 显示 76。 2. Present files 显示 76。 3. Missing files 显示 0。 4. 输出 Datalake looks complete。 5. 数据目录大小合理约十几 GB。E1 安装提示词E1 是 Biomni 的完整本地工具环境。它不是 datalake而是生物信息学软件工具箱包含 Python/R 包和常用 CLI 工具。官方提示安装时间超过 10 小时并且需要至少 30 GB 磁盘空间。建议先确认 A1 DeepSeek Open WebUI datalake 正常再安装 E1。可以把下面这段交给本地 agent请帮我在 WSL Ubuntu 中补充安装 Biomni E1 环境。 要求 1. 按 Biomni 官方说明在 biomni_e1 环境将e1补充完整。 2. 安装前检查磁盘空间至少预留 30 GB。 3. 安装过程放到后台运行日志写入 /tmp/biomni_e1_setup.log。 4. 提供 Windows 侧启动脚本和日志查看脚本。 5. shell 中要正确 source conda.sh避免非交互 shell 找不到 conda。 6. 不要重复创建同名环境遇到已有 biomni_e1 时先检查安装状态。 7. 当安装时出现报错就先跳过最后提示一下哪些是失败的询问是否要解决这些失败项。 验收标准 9. conda env list 能看到 biomni_e1。 10. setup.sh 没有异常退出。 11. 常用生信 CLI 工具可调用。 12. Python/R 相关生信包能在 biomni_e1 中导入。 13. 日志中没有未处理的安装失败。E1 适合做更完整的本地生信任务例如RNA-seq single-cell RNA-seq microbiome genomics variant analysis pathway analysis protein and structure workflows本地大型文件怎么处理Open WebUI 的文件上传适合 PDF、txt、docx 这类文档问答不适合 FASTQ、BAM、VCF、count matrix 这类大型生信文件。大型数据建议放在 WSL 本地路径中然后在对话里把路径告诉 Biomni我的 RNA-seq 数据在 /home/xxx/projects/project1/raw_data/ 样本信息表在 /home/xxx/projects/project1/metadata/samples.csv 请检查数据结构规划 QC、比对或定量、差异分析和结果汇总流程。推荐目录结构/home/xxx/projects/project_name/ raw_data/ metadata/ results/ logs/日常使用启动入口Start Biomni OpenWebUI.bat浏览器访问http://localhost:8080模型选择普通聊天 / PDF / 文档总结 deepseek-fast Biomni agent / 生物医学工具调用 / datalake 检索 biomni-deepseek成本上也建议这样分流。biomni-deepseek会做任务拆解、检索和工具调用token 消耗明显高于普通聊天deepseek-fast更适合低成本、高频率的日常问答。最终组合Windows 浏览器 Open WebUI DeepSeek API Biomni A1 Biomni datalake 可选 Biomni E1这套方案的重点不是把 Biomni 当成普通聊天模型而是把它作为一个可以规划、检索、调用工具的生物医学 agent。普通问题走deepseek-fast真正需要生物医学任务拆解和工具链时再走biomni-deepseek。大家还可以利用codex等agent再私人定制一下让它使用起来更加好用。