Biomni 实战指南从环境搭建到跑通首个生物医学分析任务【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/Biomni你手头有一批单细胞测序数据想交叉验证文献结论、再设计后续实验光是整理数据源就要半天。Biomni 是一个通用生物医学 AI 智能体你用自然语言下达研究任务它自己规划步骤、查数据库、写代码执行最后交付可验证的分析结果。3分钟完成环境搭建与最小配置装完 conda 之后还有什么要准备基本就三件事一个隔离环境、一个 pip 包、一份 API 密钥。Biomni 要求 Linux、macOS 或 WindowsWSL2完整生物信息学环境E1需要约 30GB 磁盘、耗时 10 小时以上只跑基础智能体的话下面的路径足够全程几分钟git clone https://gitcode.com/GitHub_Trending/bi/Biomni cd Biomni # 基础环境不含 R 与 CLI 工具完整 E1 环境改用 biomni_env/setup.sh conda env create -f biomni_env/environment.yml conda activate biomni_e1 pip install biomni --upgrade # 想用本仓库源码可改为 pip install -e . # 在项目根目录创建 .env 并填入密钥Claude 系列只需 ANTHROPIC_API_KEY echo ANTHROPIC_API_KEYyour_key_here .env跑通标志初始化智能体时终端打印 BIOMNI CONFIGURATION 配置横幅和 Loaded N know-how documents第一次go()调用会在终端逐步打印推理与工具调用最后输出一段完整的方案文本。看到这两段环境就算就绪。拆解 Biomni 的三层架构可以把 Biomni 理解成一位坐在你工位旁边的科研助理左手翻文献和数据库右手写代码跑分析中间还有一套自己检查自己工作的流程。感知层它能看到什么智能体初始化时会把三类资源加载进视野biomni/tool/schema_db/ 下的 30 多个数据库表结构UniProt、GEO、OpenTargets、GWAS Catalog 等biomni/tool/protocols/ 下 80 余个来自 Addgene、Thermo Fisher 的标准实验协议以及按领域组织的二十多个工具模块基因组学、药理学、单细胞分析等。对你意味着不用背哪个问题该查哪个库描述问题即可它自己检索匹配的资源。决策层它怎么规划核心是一个 ReAct 循环推理—行动—观察基于 LangGraph 实现每轮先想一步再调一个工具看结果继续想。工具总量上百个全塞进提示词会撑爆上下文所以 biomni/agent/ 里有一个工具检索器ToolRetriever按你的任务相关性只把最匹配的那批工具注入当前提示词推理链里还内置了自我批评环节跑偏时会回头修正。对你意味着多步任务会被自动拆解执行你也能通过default_config统一换模型、调超时而不用在每个调用处重复设置。执行层它怎么干活计划落地靠一个带超时的 Python REPL默认 600 秒模型生成的分析代码在里面真实执行运行结果作为观察喂回推理循环必要时还能调 bash 与 R 脚本。对你意味着拿到的不是建议你怎么做而是代码实际跑出来的数值、表格和图表最后用save_conversation_history()一键导出 PDF。需要留意的是这些代码以你系统的完整权限执行涉及敏感数据时请放在隔离环境里跑。实战三个由浅入深的任务任务一设计一个 CRISPR 筛选方案。目标是验证智能体端到端能力。你输入的是一句自然语言它返回的是分步实验设计靶基因列表、对照设置、读出分析策略推理与每次工具调用都打印在终端。from biomni.agent import A1 agent A1(path./data, llmclaude-sonnet-4-20250514) # path 为本地数据目录 log, result agent.go( Plan a CRISPR screen to identify genes that regulate T cell exhaustion, generate 32 genes that maximize the perturbation effect ) print(result) # 最终方案log 记录每步推理与工具调用任务二分析你自己的单细胞数据并导出报告。目标是把本地数据交给智能体做注释并留一份能直接发给合作者的记录。你只需在任务里写明数据路径它返回细胞类型注释结果和几条可检验的假设save_conversation_history()把整个过程打包成 PDF。log, result agent.go( Perform scRNA-seq annotation at ./my_cell_data and generate meaningful hypotheses ) # 跑完把整个过程导出成可分享的 PDF 报告 agent.save_conversation_history(scrna_analysis.pdf)任务三把智能体交给不写代码的同事。目标是提供一个可视化界面。一行代码启动 Gradio 服务浏览器打开 http://localhost:7860 即可对话。如果你想再进一步用agent.add_mcp(config_path./mcp_config.yaml)接入外部 MCP 工具或者把推理模型换成本地部署的 Biomni-R0接入方式见 docs/mcp_integration.md。# 先装依赖pip install gradio5.0,6.0 agent.launch_gradio_demo() # 浏览器打开 http://localhost:7860排障四个高频坑的症状与解法坑一第一次运行长时间无响应症状A1(path./data)后停在 Checking and downloading missing data lake files... 不动。原因首次运行会从 S3 自动下载约 11GB 的数据湖文件带宽慢时像卡死。解法只测智能体逻辑时传expected_data_lake_files[]跳过下载需要时用代理或分时段预下载。环境细节见 biomni_env/README.md。坑二API 密钥不生效症状第一次go()直接报 401 或提示找不到 api key。原因.env只从 Python 的当前工作目录读取且不会覆盖已存在的环境变量在别的目录起进程就读不到。解法确认在项目根目录执行python文件里写ANTHROPIC_API_KEY...新终端里echo $ANTHROPIC_API_KEY核对。完整配置项见 docs/configuration.md。坑三某个工具调用报模块缺失症状调用拷贝数分析等工具时报cnvkit等包不存在或安装新包时 pip 提示依赖冲突。原因这些包与主环境冲突被刻意留在默认环境之外。解法cnvkit走 Python 3.10 独立环境conda env create -f biomni_env/bio_env_py310.yml完整清单以 docs/known_conflicts.md 为准。坑四Gradio 界面报错症状launch_gradio_demo()启动后界面崩溃抛 Gradio 相关的 AttributeError。原因界面依赖 Gradio 5.x 的 API6.0 做了不兼容改动。解法pip install gradio5.0,6.0降级后重启。下一步从示例到贡献打开 tutorials/biomni_101.ipynb 完整走一遍入门交互再照着改你的数据路径。通读 docs/configuration.md 里环境变量与default_config的全部选项把模型和超时按预算调好。想加工具或数据库按 CONTRIBUTION.md 提 PR维护者明确列出了欢迎的类别。跑通之后你手里应该有一份能直接发给合作者的实验方案 PDF和一条可以随时追问的执行记录。【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 实战指南：从环境搭建到跑通首个生物医学分析任务
Biomni 实战指南从环境搭建到跑通首个生物医学分析任务【免费下载链接】BiomniBiomni: a general-purpose biomedical AI agent项目地址: https://gitcode.com/GitHub_Trending/bi/Biomni你手头有一批单细胞测序数据想交叉验证文献结论、再设计后续实验光是整理数据源就要半天。Biomni 是一个通用生物医学 AI 智能体你用自然语言下达研究任务它自己规划步骤、查数据库、写代码执行最后交付可验证的分析结果。3分钟完成环境搭建与最小配置装完 conda 之后还有什么要准备基本就三件事一个隔离环境、一个 pip 包、一份 API 密钥。Biomni 要求 Linux、macOS 或 WindowsWSL2完整生物信息学环境E1需要约 30GB 磁盘、耗时 10 小时以上只跑基础智能体的话下面的路径足够全程几分钟git clone https://gitcode.com/GitHub_Trending/bi/Biomni cd Biomni # 基础环境不含 R 与 CLI 工具完整 E1 环境改用 biomni_env/setup.sh conda env create -f biomni_env/environment.yml conda activate biomni_e1 pip install biomni --upgrade # 想用本仓库源码可改为 pip install -e . # 在项目根目录创建 .env 并填入密钥Claude 系列只需 ANTHROPIC_API_KEY echo ANTHROPIC_API_KEYyour_key_here .env跑通标志初始化智能体时终端打印 BIOMNI CONFIGURATION 配置横幅和 Loaded N know-how documents第一次go()调用会在终端逐步打印推理与工具调用最后输出一段完整的方案文本。看到这两段环境就算就绪。拆解 Biomni 的三层架构可以把 Biomni 理解成一位坐在你工位旁边的科研助理左手翻文献和数据库右手写代码跑分析中间还有一套自己检查自己工作的流程。感知层它能看到什么智能体初始化时会把三类资源加载进视野biomni/tool/schema_db/ 下的 30 多个数据库表结构UniProt、GEO、OpenTargets、GWAS Catalog 等biomni/tool/protocols/ 下 80 余个来自 Addgene、Thermo Fisher 的标准实验协议以及按领域组织的二十多个工具模块基因组学、药理学、单细胞分析等。对你意味着不用背哪个问题该查哪个库描述问题即可它自己检索匹配的资源。决策层它怎么规划核心是一个 ReAct 循环推理—行动—观察基于 LangGraph 实现每轮先想一步再调一个工具看结果继续想。工具总量上百个全塞进提示词会撑爆上下文所以 biomni/agent/ 里有一个工具检索器ToolRetriever按你的任务相关性只把最匹配的那批工具注入当前提示词推理链里还内置了自我批评环节跑偏时会回头修正。对你意味着多步任务会被自动拆解执行你也能通过default_config统一换模型、调超时而不用在每个调用处重复设置。执行层它怎么干活计划落地靠一个带超时的 Python REPL默认 600 秒模型生成的分析代码在里面真实执行运行结果作为观察喂回推理循环必要时还能调 bash 与 R 脚本。对你意味着拿到的不是建议你怎么做而是代码实际跑出来的数值、表格和图表最后用save_conversation_history()一键导出 PDF。需要留意的是这些代码以你系统的完整权限执行涉及敏感数据时请放在隔离环境里跑。实战三个由浅入深的任务任务一设计一个 CRISPR 筛选方案。目标是验证智能体端到端能力。你输入的是一句自然语言它返回的是分步实验设计靶基因列表、对照设置、读出分析策略推理与每次工具调用都打印在终端。from biomni.agent import A1 agent A1(path./data, llmclaude-sonnet-4-20250514) # path 为本地数据目录 log, result agent.go( Plan a CRISPR screen to identify genes that regulate T cell exhaustion, generate 32 genes that maximize the perturbation effect ) print(result) # 最终方案log 记录每步推理与工具调用任务二分析你自己的单细胞数据并导出报告。目标是把本地数据交给智能体做注释并留一份能直接发给合作者的记录。你只需在任务里写明数据路径它返回细胞类型注释结果和几条可检验的假设save_conversation_history()把整个过程打包成 PDF。log, result agent.go( Perform scRNA-seq annotation at ./my_cell_data and generate meaningful hypotheses ) # 跑完把整个过程导出成可分享的 PDF 报告 agent.save_conversation_history(scrna_analysis.pdf)任务三把智能体交给不写代码的同事。目标是提供一个可视化界面。一行代码启动 Gradio 服务浏览器打开 http://localhost:7860 即可对话。如果你想再进一步用agent.add_mcp(config_path./mcp_config.yaml)接入外部 MCP 工具或者把推理模型换成本地部署的 Biomni-R0接入方式见 docs/mcp_integration.md。# 先装依赖pip install gradio5.0,6.0 agent.launch_gradio_demo() # 浏览器打开 http://localhost:7860排障四个高频坑的症状与解法坑一第一次运行长时间无响应症状A1(path./data)后停在 Checking and downloading missing data lake files... 不动。原因首次运行会从 S3 自动下载约 11GB 的数据湖文件带宽慢时像卡死。解法只测智能体逻辑时传expected_data_lake_files[]跳过下载需要时用代理或分时段预下载。环境细节见 biomni_env/README.md。坑二API 密钥不生效症状第一次go()直接报 401 或提示找不到 api key。原因.env只从 Python 的当前工作目录读取且不会覆盖已存在的环境变量在别的目录起进程就读不到。解法确认在项目根目录执行python文件里写ANTHROPIC_API_KEY...新终端里echo $ANTHROPIC_API_KEY核对。完整配置项见 docs/configuration.md。坑三某个工具调用报模块缺失症状调用拷贝数分析等工具时报cnvkit等包不存在或安装新包时 pip 提示依赖冲突。原因这些包与主环境冲突被刻意留在默认环境之外。解法cnvkit走 Python 3.10 独立环境conda env create -f biomni_env/bio_env_py310.yml完整清单以 docs/known_conflicts.md 为准。坑四Gradio 界面报错症状launch_gradio_demo()启动后界面崩溃抛 Gradio 相关的 AttributeError。原因界面依赖 Gradio 5.x 的 API6.0 做了不兼容改动。解法pip install gradio5.0,6.0降级后重启。下一步从示例到贡献打开 tutorials/biomni_101.ipynb 完整走一遍入门交互再照着改你的数据路径。通读 docs/configuration.md 里环境变量与default_config的全部选项把模型和超时按预算调好。想加工具或数据库按 CONTRIBUTION.md 提 PR维护者明确列出了欢迎的类别。跑通之后你手里应该有一份能直接发给合作者的实验方案 PDF和一条可以随时追问的执行记录。【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