生物医学AI智能体Biomni完整指南10分钟跑通自主实验规划【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/BiomniBiomni 是一个通用生物医学 AI 智能体你用自然语言给出研究问题它自己规划步骤、查数据库、调用分析工具并执行代码最后返回结果和可复现的过程记录。对工程师来说它更像一台接入了生物医学工具链的自动化执行器而不是一个聊天机器人。这篇文章按装起来 → 用起来 → 用深一点的顺序介绍这个工具全部示例可直接照抄。解决什么问题一条自然语言指令替代整条分析链生物医学研究里的常规任务往往跨越多个系统查文献、检索数据库、写分析脚本、跑批处理。每一步都要人工切换工具、手写胶水代码。Biomni 的做法是把这条链收敛成一个入口——智能体接收问题后先做检索增强的规划再在 ReAct 循环里反复推理—调工具—观察结果工具调用带独立进程超时保护跑超了不会挂死整个会话。它的判断逻辑是问题属于哪类任务就路由到哪组工具。你不需要记住 30 多个数据库的接口长什么样。谁适合用三类人的典型场景湿实验研究员问做 AAV 滴度测定该走哪个流程智能体从本地协议库里取出 Addgene 和 Thermo Fisher 的标准操作规程给你核对。生信新手手头有一份单细胞 RNA 测序数据不想从头写 Seurat 流程直接让它标注细胞类型并产出分析代码。做筛选或药物分析的研究者需要规划 CRISPR 筛选、预测化合物 ADMET 性质、做 GWAS 因果基因定位这类需要跨数据库组合查询的任务。如果你日常要频繁回答这个实验怎么做、这个基因在哪些数据库里有记录、这段代码怎么写它就是为你准备的。安装与首次运行最少的命令集下面的命令完成克隆、建环境、装包三件事。环境文件按需求选environment.yml基础版最快或走完整 E1 环境脚本耗时 10 小时以上需要 30GB 磁盘官方仅在 Ubuntu 22.04 上验证过。git clone https://gitcode.com/GitHub_Trending/bi/Biomni cd Biomni conda env create -f biomni_env/environment.yml conda activate biomni_e1 pip install biomni --upgrade export ANTHROPIC_API_KEY你的key # 用其他模型则换对应变量常用配置项与其默认值可通过环境变量BIOMNI_*或运行时修改全局配置两种方式覆盖配置项默认值说明llmclaude-sonnet-4-5推理模型名直传 A1() 只影响智能体不作用于数据库查询timeout_seconds600单个工具调用的超时上限source自动识别设为 Custom 可接本地 OpenAI 兼容服务base_url / api_key空配合 Custom 使用commercial_modeFalse为 True 时剔除仅限学术用途的数据集path./data数据湖存放目录首次运行自动下载验证安装是否跑通用这个最小任务——初始化智能体并下发一条指令能打印出规划与工具调用日志就算通过from biomni.agent import A1 agent A1(path./data, llmclaude-sonnet-4-20250514) agent.go(Plan a CRISPR screen to identify genes that regulate T cell exhaustion)注意首次运行会自动下载约 11GB 的数据湖文件带宽差时这一步可能是整条链路里最慢的环节。核心能力拆解按能做成什么来看自主任务执行。这是它的主体能力。给一个模糊目标它拆成子任务逐个推进中途可以自我纠错。适合做成一份筛选实验的设计书、一个数据库组合查询方案、一段分析代码。30 数据库一站式查询。数据湖内置了 Ensembl、UniProt、PDB、ChEMBL、OpenTargets、GWAS Catalog、ClinicalTrials 等库的本地索引schema 定义见 数据库schema库。你能直接做成查 BRCA1 相关的已知变异和临床试验这类不需要写任何查询语句的活。本地实验协议检索。仓库自带 Addgene 与 Thermo Fisher 数百份标准操作规程放在 协议库 下智能体按关键词检索并读取原文。你能直接做成实验设计阶段把 SOP 拉出来给组里对步骤、对试剂浓度。Know-How 最佳实践库。know-how库 收录单细胞标注、sgRNA 设计等实操指南按查询相关性自动召回。你能直接做成让它的分析建议带上领域惯例而不是模型凭空发挥。过程留痕与报告输出。每次会话可一键存成 PDF包含完整推理轨迹适合写进组会材料或作为方法学附件。完整场景演示一份单细胞数据从标注到假设假设你有一份处理好的 scRNA-seq 文件想做细胞类型标注并找出有生物学意义的假设。整个过程只有两次go调用from biomni.agent import A1 agent A1(path./data, llmclaude-sonnet-4-20250514) agent.go(Perform scRNA-seq annotation at /path/to/h5ad and generate meaningful hypotheses) agent.save_conversation_history(scrna_analysis.pdf)它先检索 know-how 库里的单细胞标注最佳实践确定分析策略再生成标注代码执行最后基于标注结果给出可检验的假设清单。save_conversation_history输出的 PDF 里能看到它每一步的推理和工具返回方便你复查它有没有编造结果。不写代码、不碰数据库接口全程大约几分钟。进阶玩法与常见坑本地或私有化部署的模型通过 Custom 方式接入智能体推理和数据库查询可以分开指定模型省钱也好做隔离from biomni.config import default_config from biomni.agent import A1 default_config.llm claude-3-5-sonnet-20241022 # 数据库查询用云端模型 agent A1(llmbiomni/Biomni-R0-32B-Preview, # 推理走本地SGLang服务 sourceCustom, base_urlhttp://localhost:30000/v1, api_keyEMPTY)其余几个容易踩的点数据湖下载卡住初始化时传expected_data_lake_files[]跳过自动下载先把智能体调通再补数据小带宽环境下建议这样操作。包冲突hyperimpute、langchain_aws、cnvkit、panhumanpy 默认不装各自的原因和替代环境写在 known_conflicts.md其中 cnvkit 必须用独立的 Python 3.10 环境。Gradio 界面需要 Gradio 5.x6.x 因 API 变更不兼容装界面前先pip install gradio5.0,6.0。密钥不生效确认.env在项目根目录且变量名拼写正确echo $ANTHROPIC_API_KEY能回显才算加载成功。安全边界智能体以完整系统权限执行 LLM 生成的代码能碰文件和网络。生产用途请放在隔离或沙箱环境里跑敏感凭据不要暴露给它。下一步动作建议跑通 Biomni 101 教程把数据湖和第一个任务走完。用表格里的配置项写好自己的.env固定默认模型和超时时间。依次试三个任务CRISPR 筛选规划、化合物 ADMET 预测、单细胞标注感受它的规划粒度。把save_conversation_history出的 PDF 拿去对照检查确认结果可信度符合预期。需要扩展能力时读 CONTRIBUTION.md 了解如何贡献新工具与 know-how 文档。【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/Biomni创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 生物医学AI智能体Biomni完整指南：10分钟跑通自主实验规划
生物医学AI智能体Biomni完整指南10分钟跑通自主实验规划【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/BiomniBiomni 是一个通用生物医学 AI 智能体你用自然语言给出研究问题它自己规划步骤、查数据库、调用分析工具并执行代码最后返回结果和可复现的过程记录。对工程师来说它更像一台接入了生物医学工具链的自动化执行器而不是一个聊天机器人。这篇文章按装起来 → 用起来 → 用深一点的顺序介绍这个工具全部示例可直接照抄。解决什么问题一条自然语言指令替代整条分析链生物医学研究里的常规任务往往跨越多个系统查文献、检索数据库、写分析脚本、跑批处理。每一步都要人工切换工具、手写胶水代码。Biomni 的做法是把这条链收敛成一个入口——智能体接收问题后先做检索增强的规划再在 ReAct 循环里反复推理—调工具—观察结果工具调用带独立进程超时保护跑超了不会挂死整个会话。它的判断逻辑是问题属于哪类任务就路由到哪组工具。你不需要记住 30 多个数据库的接口长什么样。谁适合用三类人的典型场景湿实验研究员问做 AAV 滴度测定该走哪个流程智能体从本地协议库里取出 Addgene 和 Thermo Fisher 的标准操作规程给你核对。生信新手手头有一份单细胞 RNA 测序数据不想从头写 Seurat 流程直接让它标注细胞类型并产出分析代码。做筛选或药物分析的研究者需要规划 CRISPR 筛选、预测化合物 ADMET 性质、做 GWAS 因果基因定位这类需要跨数据库组合查询的任务。如果你日常要频繁回答这个实验怎么做、这个基因在哪些数据库里有记录、这段代码怎么写它就是为你准备的。安装与首次运行最少的命令集下面的命令完成克隆、建环境、装包三件事。环境文件按需求选environment.yml基础版最快或走完整 E1 环境脚本耗时 10 小时以上需要 30GB 磁盘官方仅在 Ubuntu 22.04 上验证过。git clone https://gitcode.com/GitHub_Trending/bi/Biomni cd Biomni conda env create -f biomni_env/environment.yml conda activate biomni_e1 pip install biomni --upgrade export ANTHROPIC_API_KEY你的key # 用其他模型则换对应变量常用配置项与其默认值可通过环境变量BIOMNI_*或运行时修改全局配置两种方式覆盖配置项默认值说明llmclaude-sonnet-4-5推理模型名直传 A1() 只影响智能体不作用于数据库查询timeout_seconds600单个工具调用的超时上限source自动识别设为 Custom 可接本地 OpenAI 兼容服务base_url / api_key空配合 Custom 使用commercial_modeFalse为 True 时剔除仅限学术用途的数据集path./data数据湖存放目录首次运行自动下载验证安装是否跑通用这个最小任务——初始化智能体并下发一条指令能打印出规划与工具调用日志就算通过from biomni.agent import A1 agent A1(path./data, llmclaude-sonnet-4-20250514) agent.go(Plan a CRISPR screen to identify genes that regulate T cell exhaustion)注意首次运行会自动下载约 11GB 的数据湖文件带宽差时这一步可能是整条链路里最慢的环节。核心能力拆解按能做成什么来看自主任务执行。这是它的主体能力。给一个模糊目标它拆成子任务逐个推进中途可以自我纠错。适合做成一份筛选实验的设计书、一个数据库组合查询方案、一段分析代码。30 数据库一站式查询。数据湖内置了 Ensembl、UniProt、PDB、ChEMBL、OpenTargets、GWAS Catalog、ClinicalTrials 等库的本地索引schema 定义见 数据库schema库。你能直接做成查 BRCA1 相关的已知变异和临床试验这类不需要写任何查询语句的活。本地实验协议检索。仓库自带 Addgene 与 Thermo Fisher 数百份标准操作规程放在 协议库 下智能体按关键词检索并读取原文。你能直接做成实验设计阶段把 SOP 拉出来给组里对步骤、对试剂浓度。Know-How 最佳实践库。know-how库 收录单细胞标注、sgRNA 设计等实操指南按查询相关性自动召回。你能直接做成让它的分析建议带上领域惯例而不是模型凭空发挥。过程留痕与报告输出。每次会话可一键存成 PDF包含完整推理轨迹适合写进组会材料或作为方法学附件。完整场景演示一份单细胞数据从标注到假设假设你有一份处理好的 scRNA-seq 文件想做细胞类型标注并找出有生物学意义的假设。整个过程只有两次go调用from biomni.agent import A1 agent A1(path./data, llmclaude-sonnet-4-20250514) agent.go(Perform scRNA-seq annotation at /path/to/h5ad and generate meaningful hypotheses) agent.save_conversation_history(scrna_analysis.pdf)它先检索 know-how 库里的单细胞标注最佳实践确定分析策略再生成标注代码执行最后基于标注结果给出可检验的假设清单。save_conversation_history输出的 PDF 里能看到它每一步的推理和工具返回方便你复查它有没有编造结果。不写代码、不碰数据库接口全程大约几分钟。进阶玩法与常见坑本地或私有化部署的模型通过 Custom 方式接入智能体推理和数据库查询可以分开指定模型省钱也好做隔离from biomni.config import default_config from biomni.agent import A1 default_config.llm claude-3-5-sonnet-20241022 # 数据库查询用云端模型 agent A1(llmbiomni/Biomni-R0-32B-Preview, # 推理走本地SGLang服务 sourceCustom, base_urlhttp://localhost:30000/v1, api_keyEMPTY)其余几个容易踩的点数据湖下载卡住初始化时传expected_data_lake_files[]跳过自动下载先把智能体调通再补数据小带宽环境下建议这样操作。包冲突hyperimpute、langchain_aws、cnvkit、panhumanpy 默认不装各自的原因和替代环境写在 known_conflicts.md其中 cnvkit 必须用独立的 Python 3.10 环境。Gradio 界面需要 Gradio 5.x6.x 因 API 变更不兼容装界面前先pip install gradio5.0,6.0。密钥不生效确认.env在项目根目录且变量名拼写正确echo $ANTHROPIC_API_KEY能回显才算加载成功。安全边界智能体以完整系统权限执行 LLM 生成的代码能碰文件和网络。生产用途请放在隔离或沙箱环境里跑敏感凭据不要暴露给它。下一步动作建议跑通 Biomni 101 教程把数据湖和第一个任务走完。用表格里的配置项写好自己的.env固定默认模型和超时时间。依次试三个任务CRISPR 筛选规划、化合物 ADMET 预测、单细胞标注感受它的规划粒度。把save_conversation_history出的 PDF 拿去对照检查确认结果可信度符合预期。需要扩展能力时读 CONTRIBUTION.md 了解如何贡献新工具与 know-how 文档。【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/Biomni创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考