Biomni完整部署指南生物医学AI智能体帮你规划实验、查询数据库附30数据库接入【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/BiomniBiomni 是一个开源的通用生物医学AI智能体能把你的自然语言研究问题拆解成可执行的规划与代码步骤自主调用 30 多个生物医学数据库、标准实验协议库和 20 多个学科工具模块完成从实验设计到数据标注的端到端任务。它适合想自动化日常分析流程的生物医学研究人员和生信初学者。场景一个实验设计问题要查5个数据库、翻3份协议假设你下周要启动一个 CRISPR 筛选目标是找调控 T 细胞耗竭的基因。传统做法是先在 Open Targets 和 GWAS Catalog 里翻背景文献去 UniProt 核对候选基因到 GEO 查已有数据集再把 Addgene 的构建协议翻出来照着设计实验——光是找资料这一环往往就耗掉一两天。把同样的问题直接丢给 Biomni它会自己拆解检索相关数据库定位候选基因、检索匹配的实验室协议、给出筛选设计建议并在需要时生成可运行的分析代码。你只需要审查它的输出而不是替它跑腿。从克隆仓库到跑通第一个任务部署 Biomni 时最容易卡住的是环境环节官方把软件栈拆成了轻重两档先想清楚你要哪一档轻量档只想试试基础智能体conda env create -f environment.yml装完即用完整档 E1要跑生信全家桶执行bash biomni_env/setup.sh注意它要10 小时以上磁盘至少预留30 GB官方仅在 Ubuntu 22.04 64 位上验证过折中档conda env create -f fixed_env.yml约 13 GB不含 R 和命令行工具。环境就绪后激活环境并安装核心包conda activate biomni pip install biomni --upgrade然后是 API 密钥。官方推荐在项目目录建一个.env文件可参考仓库里的.env.example核心就是填上模型厂商的 key例如ANTHROPIC_API_KEY你的key。如果你走 Azure还要额外配置OPENAI_ENDPOINT。最后验证。初始化一个智能体实例、用一句简单的话试探能正常规划并执行就代表全链路通了from biomni.agent import A1 agent A1(path./data) agent.go(Find FDA active ingredient information for ibuprofen)环境细节和全部安装选项见 biomni_env/README.md。它实际能帮你做什么Biomni 的能力可以拆成四层每层都对应一块源码目录方便你按需深挖智能体核心。biomni/agent/ 里的A1智能体跑在 ReAct推理—行动—观察循环上接到问题先推理出计划再逐个调用工具、执行代码、根据观察结果修正下一步。它不是一问一答而是多轮迭代直到任务完成。数据库接入。biomni/tool/schema_db/ 下内置 30 多个数据库的 schema 文件覆盖临床ClinVar、ClinicalTrials、DailyMed、基因组Ensembl、GNOMAD、GWAS Catalog、蛋白质UniProt、PDB、STRING、化学PubChem、ChEMBL等方向。智能体查询这些数据走的是统一的default_config配置不用你逐个配 API。协议库。biomni/tool/protocols/ 收录了 Addgene45 份和 Thermo Fisher42 份两套标准操作协议涵盖 AAV/慢病毒生产、CRISPR 库扩增、流式染色、Western Blot 等。当你的问题涉及具体实验技术时智能体会自动检索出对应的 SOP。Know-How 经验库。biomni/know_how/ 是一份实验最佳实践文档集如单细胞注释指南、sgRNA 设计指南按查询相关性自动检索注入回答相当于给智能体配了个懂行的实验员。学科工具层位于 biomni/tool/按基因组学、药理学、微生物学等 20 多个方向组织所有工具注册在tool_registry.py中统一管理。让配置更省钱的几个关键细节先分清两套模型配置的作用域——这是最多人踩的点。A1(llm...)传的参数只影响该智能体的推理环节而数据库查询、检索等底层操作始终读取全局的default_config。想让所有环节一致改default_config.llm和default_config.timeout_seconds完整选项见 docs/configuration.md。成本优化用便宜模型扛数据库查询用强模型做推理规划两者可以分开指定API 开销能省下一截。本地模型如果你的集群上自托管了模型Ollama、SGLang 均可把source设为Custom填好base_url和api_key就能接上。官方还开源了基于 Qwen-32B 强化训练的生物推理模型Biomni-R0推荐做法是用 SGLang 起一个本地服务负责智能体推理数据库查询继续走云端厂商——既省成本又保质量。数据湖控制智能体首次创建会自动下载约 11 GB 的数据湖文件。如果你只是快速调试或磁盘紧张初始化时传expected_data_lake_files[]即可跳过下载需要时再补。超时设置默认 600 秒长任务容易超时建议直接在.env里设BIOMNI_TIMEOUT_SECONDS1200。从Gradio界面到PDF报告三个进阶能力交互式 Web 界面。装好 Gradio 后一行agent.launch_gradio_demo()就能在http://localhost:7860打开图形界面支持shareTrue生成外链、require_verificationTrue开启访问码默认 Biomni2025。注意目前只兼容 Gradio 5.x装了 6.x 要先降级。PDF 报告导出。任务跑完后调用agent.save_conversation_history(result.pdf)完整执行轨迹会打包成一份可分享的 PDF方便写周报或存档。底层需要 weasyprint、pandoc 等之一具体依赖见 README。MCP 外部工具集成。通过agent.add_mcp(config_path./mcp_config.yaml)可以挂载任意外部 MCP 服务器把自有工具接入智能体的行动空间。配套示例在 tutorials/examples/add_mcp_server/把 Biomni 本身暴露为 MCP 服务器的示例在同目录expose_biomni_server/下原理细节见 docs/mcp_integration.md。另外仓库内置了Biomni-Eval1基准433 个实例、10 类生物推理任务从 GWAS 因果基因识别到罕见病诊断想量化评估智能体表现时可以直接跑实现在 biomni/eval/。踩坑急救包五个高频问题与解法依赖冲突部分包与主环境冲突官方没有默认安装清单维护在 docs/known_conflicts.md。常见的四个hyperimpute建议独立环境装、langchain_aws用 Bedrock 才需要装完还要解除源码中相关注释、cnvkit必须用 Python 3.10 环境仓库提供了现成的bio_env_py310.yml、panhumanpy版本锁定严格同样要独立环境。API 密钥不生效先确认.env在工作目录里再echo $ANTHROPIC_API_KEY验证变量真的加载了最后核对 key 所属厂商与你配置的LLM_SOURCE一致。数据湖下载慢或失败检查网络/代理或者临时用expected_data_lake_files[]跳过下载手动补齐文件。模型找不到核对模型名拼写走 Azure 的模型必须在名字前加azure-前缀如azure-gpt-4o确认该厂商的 key 已配置。安全红线智能体执行 LLM 生成的代码时拥有完整系统权限可触文件、网络、系统命令。生产环境务必放在隔离或沙箱里跑别让敏感凭据和它共处一个环境。下一步教程与社区入门从 tutorials/biomni_101.ipynb 跑起里面有完整的概念演示实际案例看 tutorials/examples/克隆分析、pylabrobot 自动化等。想贡献工具或 Know-How 文档流程写在 CONTRIBUTION.md 里。Biomni 把查库—找协议—写代码这条最耗时间的链路交给了智能体你要做的只剩一件事问出对的问题。【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