Biomni 完整指南5 步装好、配好让生物医学 AI 智能体替你跑研究【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/BiomniBiomni 是斯坦福团队开源的通用生物医学 AI 智能体biomedical AI agent。你用一句自然语言描述研究任务它会自主拆解步骤、检索 30 多个生物医学数据库、编写并执行分析代码最后产出结果和报告。适合生物医学研究者、生信分析师以及想验证 LLM 智能体在科研场景能走多远的开发者。从一个具体场景说起假设你手上有一个想法用 CRISPR 筛选找到调控 T 细胞耗竭的基因。传统做法是查文献定策略、选依赖文库、定报告基因、设计扰动强度、评估交付方式光是方案设计就要翻遍十几篇方法学论文。把这句话丢给 Biomni它的 A1 智能体会走一条 ReAct推理-行动-观察循环先检索相关数据和协议再生成 Python/R 代码去查数据库和算基因打分执行失败就自己改代码重试最后交回一份带 32 个候选基因的筛选方案。整个过程你不需要写一行代码只需在终端里看它一步步干活。这不是演示脚本——tutorials/biomni_101.ipynb 里就是这个真实例子跑通它你就掌握了全部基础用法。能力拆解它能帮你做什么按任务说话而不是按模块说话。Biomni 的核心能力可以归为五件事1. 自然语言任务规划与执行智能体基于 LangGraph 编排支持自我批评self-critic模式和多轮重试。它注册了覆盖生化、免疫、肿瘤、遗传、药理等 20 多个子领域的工具实现见 biomni/tool/每次任务前会先用检索器biomni/model/retriever.py从工具池里挑出相关的几个避免工具太多模型迷路。2. 本地数据湖 30 多个数据库首次运行会自动下载约 11GB 的数据湖包括 DepMap 基因依赖谱、药物重定位库Broad Repurposing Hub、蛋白互作数据、药物相互作用DDInter等。数据库查询侧则接入了 UniProt、Ensembl、ClinVar、GWAS Catalog、ChEMBL、KEGG、Reactome 等 30 多个数据库schema 定义存放在 biomni/tool/schema_db/用自然语言就能发起查询。3. 协议库与 Know-How 库实验设计类问题会触发协议检索内置了 Addgene 和 Thermo Fisher 的近百份标准操作程序biomni/tool/protocols/覆盖质粒克隆、病毒生产、流式染色、Western Blot 等。另有 Know-How 库biomni/know_how/收录单细胞注释、sgRNA 设计等最佳实践文档智能体会按问题相关性自动调取也欢迎社区贡献。4. 结果导出与交互界面save_conversation_history()把完整执行轨迹导出为 PDF方便存档和组会分享launch_gradio_demo()一键启动 Web 界面localhost:7860支持shareTrue生成可分享链接5. 可扩展、可评测、可换脑MCP 集成add_mcp()可挂接任意 MCP 服务器示例配置见 tutorials/examples/add_mcp_server/接入文档在 docs/mcp_integration.mdBiomni-R0团队基于 Qwen-32B 用智能体交互数据做强化学习训出的生物推理模型可用 SGLang 本地部署后作为智能体推理引擎数据库查询仍走你常用的 APIBiomni-Eval1433 个实例、10 类生物推理任务的评测基准想对比不同模型的表现时可以直接调用biomni/eval/快速上手Biomni 安装 4 步走Biomni 的软件环境偏大因为内置了大量生信工具官方把整套配置收敛成了 biomni_env/ 里的脚本。按下面的顺序操作第 1 步克隆仓库git clone https://gitcode.com/GitHub_Trending/bi/Biomni cd Biomni第 2 步创建 conda 环境根据你需要的功能深度三选一详细说明见 biomni_env/README.md# 方案 A基础环境装得快满足智能体核心功能无 R 与 CLI 工具 conda env create -f biomni_env/environment.yml # 方案 B完整 E1 环境含全部生信 CLI 工具和 R 包需 30GB 磁盘耗时 10 小时以上 bash biomni_env/setup.sh # 方案 C精简环境13GB 起介于两者之间 conda env create -f biomni_env/fixed_env.yml conda activate biomni_e1新手建议先用方案 A 跑通流程之后再按需升级到完整环境。第 3 步安装 Biomni 包# 已克隆源码就用本地安装随仓库更新 pip install -e .第 4 步配置 API 密钥官方推荐用.env文件管理密钥cp .env.example .env编辑.env至少填一个模型提供商的密钥# 至少配置一项 ANTHROPIC_API_KEY你的_anthropic_key OPENAI_API_KEY你的_openai_key # 可选 GEMINI_API_KEY你的_gemini_key # 可选也可以直接export环境变量效果相同。配置完成后用echo $ANTHROPIC_API_KEY确认已生效。实战演示一次完整任务环境就绪后验证安装并跑第一个任务from biomni.agent import A1 # 初始化智能体首次运行会自动下载约 11GB 数据湖请保证磁盘和网络 agent A1(path./data) # 用自然语言下达任务智能体自主完成规划、查库、写码、执行 agent.go(Predict ADMET properties for this compound: CC(C)CC1CCC(CC1)C(C)C(O)O)跑通后两个值得马上试的功能启动 Web 界面需 Gradio 5.x注意 6.x 不兼容pip install gradio5.0,6.0agent.launch_gradio_demo(shareTrue) # 浏览器打开 localhost:7860把执行轨迹存成 PDF 报告agent.save_conversation_history(admet_analysis.pdf)想要更大规模演示tutorials/examples/ 里还有克隆流程、pylabrobot 机器人实验等完整 notebook。配置要点你真正会动的几个旋钮Biomni 的配置分三层优先级为A1()直接参数 default_config运行时修改 环境变量 默认值。新手记住一个关键点——直接参数只影响该智能体的推理数据库查询永远走default_config。所以想全局生效改全局from biomni.config import default_config default_config.llm claude-sonnet-4-5 # 默认模型按需替换 default_config.timeout_seconds 1200 # 单步执行超时默认 600 秒控成本的双模型玩法数据库查询用便宜模型推理用强模型default_config.llm claude-3-5-haiku # 查库用轻量模型 agent A1(llmclaude-sonnet-4-5) # 智能体推理用强模型接本地/自建模型OpenAI 兼容接口均可Ollama、SGLang 都行default_config.source Custom default_config.base_url http://localhost:8000/v1 default_config.api_key local_key default_config.llm local-llama-70b跳过数据湖下载快速调试或存储受限时agent A1(path./data, expected_data_lake_files[])全部配置项见 docs/configuration.md。常见坑与解法API 密钥不生效确认.env在当前工作目录下用echo $ANTHROPIC_API_KEY检查变量是否真的导出了Azure 用户记得模型名前加azure-前缀。数据湖下载慢或失败首次初始化约 11GB网络不佳时先用expected_data_lake_files[]跳过跑通核心流程后再手动补下数据文件。包依赖冲突hyperimpute、langchain_aws、panhumanpy默认不装与主环境冲突cnvkit需要单独的 Python 3.10 环境bio_env_py310.yml。清单和理由见 docs/known_conflicts.md。Gradio 界面报错Gradio 6.x 有 API 变更必须锁定 5.x见上文安装命令。安全提醒智能体会以当前系统权限执行 LLM 生成的代码能访问文件、网络和系统命令。生产环境请务必放在沙箱/隔离环境里运行避免把敏感凭据放在同一台机器上。下一步按这个顺序继续一周内可以把它变成你的日常工具打开 tutorials/biomni_101.ipynb把 CRISPR 筛选那个例子完整跑一遍浏览 docs/configuration.md 和 docs/mcp_integration.md按你的工作流做定向配置挑一个你熟悉的课题单细胞注释、药物 ADMET、GWAS 候选基因做端到端验证有想接入的工具或数据库CONTRIBUTION.md 里写明了贡献流程你的协议文档和工具可以直接进 Know-How 库和工具注册表回到开头那个 T 细胞耗竭的筛选设计——它只是起点。Biomni 的价值不在于替你回答某个问题而在于把查库、算数、写代码、出报告这条链路压进一句自然语言。装好它然后把你手头最繁琐的那项任务扔给它试试。【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 Biomni 完整指南：5 步装好、配好，让生物医学 AI 智能体替你跑研究
Biomni 完整指南5 步装好、配好让生物医学 AI 智能体替你跑研究【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/BiomniBiomni 是斯坦福团队开源的通用生物医学 AI 智能体biomedical AI agent。你用一句自然语言描述研究任务它会自主拆解步骤、检索 30 多个生物医学数据库、编写并执行分析代码最后产出结果和报告。适合生物医学研究者、生信分析师以及想验证 LLM 智能体在科研场景能走多远的开发者。从一个具体场景说起假设你手上有一个想法用 CRISPR 筛选找到调控 T 细胞耗竭的基因。传统做法是查文献定策略、选依赖文库、定报告基因、设计扰动强度、评估交付方式光是方案设计就要翻遍十几篇方法学论文。把这句话丢给 Biomni它的 A1 智能体会走一条 ReAct推理-行动-观察循环先检索相关数据和协议再生成 Python/R 代码去查数据库和算基因打分执行失败就自己改代码重试最后交回一份带 32 个候选基因的筛选方案。整个过程你不需要写一行代码只需在终端里看它一步步干活。这不是演示脚本——tutorials/biomni_101.ipynb 里就是这个真实例子跑通它你就掌握了全部基础用法。能力拆解它能帮你做什么按任务说话而不是按模块说话。Biomni 的核心能力可以归为五件事1. 自然语言任务规划与执行智能体基于 LangGraph 编排支持自我批评self-critic模式和多轮重试。它注册了覆盖生化、免疫、肿瘤、遗传、药理等 20 多个子领域的工具实现见 biomni/tool/每次任务前会先用检索器biomni/model/retriever.py从工具池里挑出相关的几个避免工具太多模型迷路。2. 本地数据湖 30 多个数据库首次运行会自动下载约 11GB 的数据湖包括 DepMap 基因依赖谱、药物重定位库Broad Repurposing Hub、蛋白互作数据、药物相互作用DDInter等。数据库查询侧则接入了 UniProt、Ensembl、ClinVar、GWAS Catalog、ChEMBL、KEGG、Reactome 等 30 多个数据库schema 定义存放在 biomni/tool/schema_db/用自然语言就能发起查询。3. 协议库与 Know-How 库实验设计类问题会触发协议检索内置了 Addgene 和 Thermo Fisher 的近百份标准操作程序biomni/tool/protocols/覆盖质粒克隆、病毒生产、流式染色、Western Blot 等。另有 Know-How 库biomni/know_how/收录单细胞注释、sgRNA 设计等最佳实践文档智能体会按问题相关性自动调取也欢迎社区贡献。4. 结果导出与交互界面save_conversation_history()把完整执行轨迹导出为 PDF方便存档和组会分享launch_gradio_demo()一键启动 Web 界面localhost:7860支持shareTrue生成可分享链接5. 可扩展、可评测、可换脑MCP 集成add_mcp()可挂接任意 MCP 服务器示例配置见 tutorials/examples/add_mcp_server/接入文档在 docs/mcp_integration.mdBiomni-R0团队基于 Qwen-32B 用智能体交互数据做强化学习训出的生物推理模型可用 SGLang 本地部署后作为智能体推理引擎数据库查询仍走你常用的 APIBiomni-Eval1433 个实例、10 类生物推理任务的评测基准想对比不同模型的表现时可以直接调用biomni/eval/快速上手Biomni 安装 4 步走Biomni 的软件环境偏大因为内置了大量生信工具官方把整套配置收敛成了 biomni_env/ 里的脚本。按下面的顺序操作第 1 步克隆仓库git clone https://gitcode.com/GitHub_Trending/bi/Biomni cd Biomni第 2 步创建 conda 环境根据你需要的功能深度三选一详细说明见 biomni_env/README.md# 方案 A基础环境装得快满足智能体核心功能无 R 与 CLI 工具 conda env create -f biomni_env/environment.yml # 方案 B完整 E1 环境含全部生信 CLI 工具和 R 包需 30GB 磁盘耗时 10 小时以上 bash biomni_env/setup.sh # 方案 C精简环境13GB 起介于两者之间 conda env create -f biomni_env/fixed_env.yml conda activate biomni_e1新手建议先用方案 A 跑通流程之后再按需升级到完整环境。第 3 步安装 Biomni 包# 已克隆源码就用本地安装随仓库更新 pip install -e .第 4 步配置 API 密钥官方推荐用.env文件管理密钥cp .env.example .env编辑.env至少填一个模型提供商的密钥# 至少配置一项 ANTHROPIC_API_KEY你的_anthropic_key OPENAI_API_KEY你的_openai_key # 可选 GEMINI_API_KEY你的_gemini_key # 可选也可以直接export环境变量效果相同。配置完成后用echo $ANTHROPIC_API_KEY确认已生效。实战演示一次完整任务环境就绪后验证安装并跑第一个任务from biomni.agent import A1 # 初始化智能体首次运行会自动下载约 11GB 数据湖请保证磁盘和网络 agent A1(path./data) # 用自然语言下达任务智能体自主完成规划、查库、写码、执行 agent.go(Predict ADMET properties for this compound: CC(C)CC1CCC(CC1)C(C)C(O)O)跑通后两个值得马上试的功能启动 Web 界面需 Gradio 5.x注意 6.x 不兼容pip install gradio5.0,6.0agent.launch_gradio_demo(shareTrue) # 浏览器打开 localhost:7860把执行轨迹存成 PDF 报告agent.save_conversation_history(admet_analysis.pdf)想要更大规模演示tutorials/examples/ 里还有克隆流程、pylabrobot 机器人实验等完整 notebook。配置要点你真正会动的几个旋钮Biomni 的配置分三层优先级为A1()直接参数 default_config运行时修改 环境变量 默认值。新手记住一个关键点——直接参数只影响该智能体的推理数据库查询永远走default_config。所以想全局生效改全局from biomni.config import default_config default_config.llm claude-sonnet-4-5 # 默认模型按需替换 default_config.timeout_seconds 1200 # 单步执行超时默认 600 秒控成本的双模型玩法数据库查询用便宜模型推理用强模型default_config.llm claude-3-5-haiku # 查库用轻量模型 agent A1(llmclaude-sonnet-4-5) # 智能体推理用强模型接本地/自建模型OpenAI 兼容接口均可Ollama、SGLang 都行default_config.source Custom default_config.base_url http://localhost:8000/v1 default_config.api_key local_key default_config.llm local-llama-70b跳过数据湖下载快速调试或存储受限时agent A1(path./data, expected_data_lake_files[])全部配置项见 docs/configuration.md。常见坑与解法API 密钥不生效确认.env在当前工作目录下用echo $ANTHROPIC_API_KEY检查变量是否真的导出了Azure 用户记得模型名前加azure-前缀。数据湖下载慢或失败首次初始化约 11GB网络不佳时先用expected_data_lake_files[]跳过跑通核心流程后再手动补下数据文件。包依赖冲突hyperimpute、langchain_aws、panhumanpy默认不装与主环境冲突cnvkit需要单独的 Python 3.10 环境bio_env_py310.yml。清单和理由见 docs/known_conflicts.md。Gradio 界面报错Gradio 6.x 有 API 变更必须锁定 5.x见上文安装命令。安全提醒智能体会以当前系统权限执行 LLM 生成的代码能访问文件、网络和系统命令。生产环境请务必放在沙箱/隔离环境里运行避免把敏感凭据放在同一台机器上。下一步按这个顺序继续一周内可以把它变成你的日常工具打开 tutorials/biomni_101.ipynb把 CRISPR 筛选那个例子完整跑一遍浏览 docs/configuration.md 和 docs/mcp_integration.md按你的工作流做定向配置挑一个你熟悉的课题单细胞注释、药物 ADMET、GWAS 候选基因做端到端验证有想接入的工具或数据库CONTRIBUTION.md 里写明了贡献流程你的协议文档和工具可以直接进 Know-How 库和工具注册表回到开头那个 T 细胞耗竭的筛选设计——它只是起点。Biomni 的价值不在于替你回答某个问题而在于把查库、算数、写代码、出报告这条链路压进一句自然语言。装好它然后把你手头最繁琐的那项任务扔给它试试。【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