生物医学 AI 代理本地部署指南Biomni 从安装到跑通第一个科研任务【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/BiomniBiomni 是一款通用生物医学 AI 代理biomedical AI agent把大模型推理、资源检索和代码执行结合起来能自主完成 CRISPR 筛选设计、单细胞数据注释、药物 ADMET 预测这类跨子领域的研究任务。它的本地部署方式让科研自动化整条链路跑在你自己的机器上数据文件不出本机生信工具链和代理程序同处一个 conda 环境。本文按一条真实任务为主线讲清楚 Biomni 是什么、怎么在本地跑起来、内部如何分工以及新手最容易踩的几个点。从一个 CRISPR 筛选任务说起先看你要它做什么。假设你是免疫方向的研究者需要设计一个全基因组 CRISPR 筛选来找出调控 T 细胞耗竭的基因并且希望扰动效果最大化。对着 Biomni 的代理对象说一句自然语言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, generate 32 genes that maximize the perturbation effect.)接下来发生的不是一个黑箱回答而是一条可观察的工作流选资源代理根据这句话检索出与本任务相关的工具、本地数据库文件和领域文档基因功能数据、细胞类型标记基因、sgRNA 设计最佳实践等而不是把所有 300 多个工具一股脑塞给模型。写代码执行它用 Python 查询这些数据源做通路富集、基因打分和排序中间每一步都能打印出观察结果。给结论最终输出一份 32 个候选基因列表附筛选逻辑说明你可以直接拿去定实验方案。换成对 [PATH] 的单细胞 RNA 测序数据做注释并生成假设或预测这个 SMILES 分子的 ADMET 性质走的是同样的链路。理解了这条主线后面讲环境和内部结构就都不抽象了。在本地跑起来三步骤完成安装环境要求与安装方式选择Biomni 要求 Python 3.11pyproject.toml中声明和 condaMiniconda/Anaconda 均可。官方在 biomni_env/ 目录提供了三档环境组合按需求选方式命令说明基础环境conda env create -f environment.ymlPython 常用分析库 langchain装完即可跑代理完整环境 E1bash setup.sh在基础环境之上加装生信 CLI 工具PLINK、IQ-TREE 等、R 包耗时 10 小时以上需要 30GB 磁盘拷贝数分析环境conda env create -f bio_env_py310.yml仅当你需要 cnvkit 相关功能时单独建它要求 Python 3.10新手建议先用基础环境把流程跑通之后需要用到特定生信工具再补装完整环境。克隆仓库后git clone https://gitcode.com/GitHub_Trending/bi/Biomni cd Biomni/biomni_env conda env create -f environment.yml conda activate biomni_e1 pip install biomni --upgrade最小可运行示例配一个.env文件写 API Key推荐 Anthropic 的 Claude也可用 OpenAI、Gemini、本地 Ollama 等格式如ANTHROPIC_API_KEY你的key # LLM_SOURCE你的模型提供方可选然后就是上面那段A1(...)agent.go(...)的代码。跑一次任务代理会把每一步的工具调用和观察结果打印出来你可以完整看到它怎么拆解问题。第一次运行跳过 11GB 数据湖下载默认情况下创建A1对象时会自动下载约 11GB 的数据湖文件DepMap、GTEx、GWAS Catalog 等预整理好的本地数据集。如果你只是想先验证环境能不能跑通把下载关掉agent A1(path./data, llmclaude-sonnet-4-20250514, expected_data_lake_files[])需要用到这些数据源的任务再让它下载。另外所有全局参数默认模型、超时、数据路径都集中在 biomni/config.py 的default_config里改比逐处传参省事。代理内部的角色分工Biomni 不是一个单体脚本更像一个小团队在协作。用角色视角看更清楚核心实现在 biomni/agent/ 的A1类总调度规划者A1基于 LangGraph 建了一个 ReAct 风格的循环——思考、调用、观察、再思考。它决定下一步查数据库还是写代码以及什么时候可以下结论。资源筛选器ToolRetriever实现见 biomni/model/retriever.py。每次收到任务它先用一次 LLM 调用从工具列表 数据湖文件 软件库 know-how 文档四类资源里挑出相关的少数几个递给总调度。这一步直接决定了代理不被无关工具淹没。工具库动手的biomni/tool/ 覆盖基因组学、分子生物学、药理学等 20 多个子领域300 多个可调用函数。工具分三类查在线 APIUniProt、AlphaFold、Open Targets 等、查本地数据湖文件、以及执行 R/Python/Bash 代码。工具清单以声明式 JSON 描述维护在 biomni/tool/tool_description/。领域顾问Know-How 库biomni/know_how/ 里是一批 markdown 格式的最佳实践文档比如 sgRNA 设计指南、单细胞注释流程。代理检索到相关文档后会作为参考注入推理相当于给模型配了一位资深 PI 的备忘录。实验协议文本Addgene、Thermo Fisher 的 protocol同样被索引代理可以查标准流程。执行器代理生成的代码在本地解释执行带超时控制默认 600 秒。这也是为什么官方提醒生产环境要用隔离沙箱——代理执行模型生成的代码时拥有系统级权限见下文踩坑部分。本地部署和云端服务的可感知差别不堆卖点直接列你在日常使用中真正会感受到的差异维度本地部署 Biomni纯云端服务数据流向原始组学文件、患者相关数据留在本机只有 API Key 请求走网络原始数据需要上传到第三方平台工具链生信 CLI、R 包、Python 库装在同一个 conda 环境代理调用零配置受限于平台预装组件扩展方式通过 MCP 协议接入任意外部工具一行agent.add_mcp(config_path./mcp_config.yaml)即可取决于平台开放程度一次性成本首次装完整环境 10 小时、数据湖 11GB之后长期使用无按次费用按调用量持续计费模型可换性llm参数可指向 Claude、GPT、Gemini甚至本地 SGLang 服务官方还提供基于 Qwen-32B 微调的 Biomni-R0通常锁定平台模型简单说本地部署把环境搭建的痛集中到一次性安装里换来回数据不出门、工具随便加、模型随便换。上手最容易踩的三个点1. 首次运行卡住或下载超慢。那就是 11GB 数据湖在下载。带宽紧张就先用expected_data_lake_files[]跳过需要时再下也可以只手动下载你任务真正用到的几个 parquet/csv 文件放到./data。2. 装完整环境时依赖冲突。完整 E1 环境的安装脚本只在 Ubuntu 22.0464 位上测试过部分包因依赖冲突默认不装官方维护了一份清单docs/known_conflicts.md。典型例子是 cnvkit 必须单独用 Python 3.10 环境bio_env_py310.ymlpanhumanpy 需要独立环境。遇到某工具不可用先查这份文档别硬pip install主环境。3. 安全与许可两件事。官方明确警告Biomni 执行 LLM 生成的代码时带完整系统权限可以访问文件、网络和系统命令——生产用途请放在隔离/沙箱环境里跑敏感凭证不要和它同目录。另外 Biomni 本体是 Apache 2.0但集成的部分工具和数据库有更严格的商业许可如果你的用途涉及商业化把commercial_mode设为 True代理会自动过滤非商用数据集。适合谁以及下一步做什么适合三类人做湿实验或生信分析的科研者用它把查文献-取数据-跑分析的串联活交出去生物信息工程师300 工具加数据湖是个现成的领域 API 层以及想研究 LLM Agent 落地的开发者biomni/agent/ 的规划-检索-执行循环是不错的参考实现还有 Biomni-Eval1 这套 433 个实例的评测基准。建议的动作顺序用基础环境装好跑通上面的 CRISPR 示例观察它的完整执行轨迹tutorials/biomni_101.ipynb 可作为入门教程换成你自己的真实任务和数据路径验证结果是否符合领域直觉需要更深的生信能力时再补装完整环境 E1有外部系统要接比如内部数据库用 MCP 接入而不是改源码。本地部署生物医学 AI 代理的意义就是把数据在本地、推理可控、工具可扩展这三件事同时拿到手。装好环境后第一个任务建议就从一句你最熟的领域问题开始。【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