使用NVIDIA BioNeMo Agent Toolkits构建用于生命科学发现的AI科学家 | NVIDIA技术博客
使用NVIDIA BioNeMo Agent Toolkits构建用于生命科学发现的AI科学家 | NVIDIA技术博客
使用NVIDIA BioNeMo Agent Toolkits构建用于生命科学发现的AI科学家
AI科学家正成为科学计算的新接口。这些Agent能够阅读论文、编写代码、生成假设、调用API、检查文件并对结果进行迭代。但科学并非软件工程——没有一套测试用例能在假设正确时变为绿色；发现是迭代的、不确定的，并且扎根于物理世界。你不能把一个通用编码Agent指向生物学，然后期待它产出新药。在生物分子研究中，AI科学家的能力上限是由它能可靠、正确且高效使用的科学工具所决定的。
一个通用Agent或许能理解蛋白质折叠、分子对接、分子生成、序列设计、多序列比对、蛋白质主链生成或基因组建模是否与某个任务相关。但它需要帮助才能知道该调用哪个AI模型、如何格式化请求、哪些输入参数重要、期望得到什么产物以及如何解释结果。
NVIDIA BioNeMo 是一个平台，它为任何Agent弥合了这一差距。它将NVIDIA加速数字生物学栈转化为AI科学家可以使用的工具：
- 加速工具层：NVIDIA NIM和BioNeMo开放模型将核心生物分子能力（包括结构预测、对接、分子生成、序列设计、比对/搜索和基因组学）作为经过优化的可调用服务提供。这些能力由NVIDIA库（如cuEquivariance（结构模型）和Parabricks（基因组学））加速，而不仅仅是运行在NVIDIA硬件上。
- Agent就绪接口：Nvidia BioNeMo Skills将每种能力打包为有文档记录的可调用资源，使Agent能够选择正确的工具、发送有效请求并读取结果。此类工具包括用途、必需输入、可选参数、预期产物和故障模式。模型上下文协议（MCP）服务器包装器通过相同的Agent可调用模式，暴露尚未打包为NIM的开放模型。
本文通过动手操作流程，演示如何将Agent指向平台、为其提供BioNeMo Skill来操作模型、选择模型运行位置，并衡量Agent闭环是否真正得到改进（参见下方图1）。这里重点关注Skills，因为它们是将模型转化为Agent工具最直接的方式。
前提条件
- 可访问BioNeMo Agent Toolkits Skills仓库（https://github.com/NVIDIA-BioNeMo/bionemo-agent-toolkit），包括Skills和NIM参考
- 一个Agent运行时环境，例如Claude或Codex
- 用于托管BioNeMo NIM端点的NVIDIA API密钥
- （可选）用于本地NIM部署的GPU节点
使用BioNeMo构建AI科学家
1. 规划科学工作流
从AI科学家应执行的工作流开始。一个有用的生物分子AI科学家能够选择模型、准备有效输入、运行模型、检查输出，并附带科学注意事项解释结果。
例如，一个AI科学家可能：
- 使用MMseqs2生成多序列比对（MSA搜索）
- 使用Boltz-2或OpenFold3折叠肽段序列
- 使用GenMol生成分子
- 使用DiffDock将配体与蛋白质靶标对接
该平台为每一步提供可部署的模型层。NIM将生物分子AI模型（包括结构预测、分子生成、对接、序列分析、设计和基因组学，例如Evo 2和Parabricks）打包为经过优化的可调用服务，通过托管端点或本地基础设施运行。
BioNeMo Skills位于这些服务之上，使每个能力对Agent可用，描述模型的用途、必需输入、可选参数、预期产物和故障模式，以便AI科学家选择合适的工具、准备有效的请求，并解释输出（如CIF、SDF、FASTA、A3M或SMILES文件）。
2. 将Agent指向平台
从发现开始，而不是单个端点。将Agent指向 https://github.com/NVIDIA-BioNeMo/bionemo-agent-toolkit ，使其在行动之前能够枚举可用能力并了解平台结构。从那里，相关的Skill——或针对尚未打包为NIM的开放模型的MCP服务器包装器——告诉Agent如何使用特定模型：它的功能、何时使用、如何准备请求以及期望得到什么产物。
将BioNeMo Skill视为Agent能力，而不仅仅是端点包装器。相同的提示模式适用于平台中的任何模型。
3. 选择托管或本地部署
NIM为团队提供了灵活部署选项。当AI科学家需要快速访问非生产代码，且无需管理基础设施、GPU调度、容器设置、模型预热或大型支持数据库时，请使用托管NIM端点。这使得托管成为广泛Agent访问、评估、偶尔调用或依赖基础设施密集型服务（如MSA搜索）的工作流的最佳起点。
当工作流反复调用同一模型，或需要更低的预热延迟、数据局部性或更严格的运行时控制时，请使用本地NIM部署。这适用于迭代Agent闭环：生成候选、检查输出、调整参数、多次重新运行。
一个实用的原则：从托管开始以方便访问和扩展，然后当延迟、吞吐量、安全性或重复迭代使得增加操作控制变得合理时，将选定的模型移至本地。在单个GPU的内部测试中，将正确的模型移至本地可降低重复调用工作负载的每次调用预热延迟，而一次性调用最好由托管端点服务。
一个Skill或MCP包装器应通过告诉Agent模型在哪里可用、如何调用它以及期望得到什么产物来支持这两种路径。
4. 通过Skill使用模型
对任何BioNeMo Skill使用相同的提示结构。下面的示例使用OpenFold3，但也适用于Boltz-2、DiffDock、GenMol、ProteinMPNN、MSA搜索、RFdiffusion、Evo 2以及其他生物学NIM。
对于托管的OpenFold3 NIM端点：
Use the OpenFold3 BioNeMo Skill to fold MKTVRQERLKSIVR with the NVIDIA API
endpoint at https://build.nvidia.com/openfold3
对于本地OpenFold3 NIM部署：
Use the OpenFold3 BioNeMo Skill to fold MKTVRQERLKSIVR with the local NIM
endpoint at http://localhost:8000 (or the endpoint where NIM is deployed)
加速工具，而非仅仅是包装器
该平台的价值在于，当被调用时，它运行快速且已做好生产准备。BioNeMo NIMs为许多最常用模型提供了加速且易于部署的微服务。BioNeMo NIM Skills简化了这些微服务的部署，使Agent能够本地运行或使用托管服务。这消除了从源代码构建和部署模型所需的依赖管理复杂性。
AI科学家在迭代闭环中工作：生成候选、检查输出、调整参数、重新运行。由BioNeMo NIM Skills启用的BioNeMo NIMs通过简化部署和下游推理任务来改进这个闭环，从而实现快速迭代。我们通过基准测试Agent结果质量和每次运行效率来衡量这一点，比较使用了Skill的Agent与未使用Skill的同一Agent。
