NVIDIA BioNeMo Agent Toolkit 于近日在 Baseten 平台上发布，旨在将通用 AI 智能体转变为能够执行真实生物学和药物发现任务的科学智能体。该工具包结合了 BioNeMo Skills、开放模型、NVIDIA NIM 微服务和智能体基础设施，支持蛋白质结构预测、蛋白质设计、虚拟筛选、基因组分析和靶点发现等流程。
科学 AI 正在从孤立的模型推理向能够推理、规划并执行多步骤科学任务的智能体工作流演进。科学家们越来越需要能够理解科学文献、预测蛋白质结构、设计分子、分析基因组数据、识别治疗靶点并推荐下一步实验的 AI 系统。NVIDIA BioNeMo Agent Toolkit 提供了实现新一代 AI 科学家所需的领域特定工具、模型和技能。它结合了 BioNeMo Skills、开放模型、NVIDIA NIM 微服务和智能体编排基础设施，帮助智能体从“阅读科学”转变为“实践科学”。
Baseten 平台专为需要大规模运行模型推理的团队构建，且这些团队越来越多地来自生命科学领域。向智能体工作流的转变改变了“运行模型”的含义：不再是单个调用，而是智能体编排一个由专门模型组成的流水线，每个模型将结构化输出传递给下一个模型。这恰好是 Baseten 旨在解决的基础设施问题。当 NVIDIA 与 Baseten 分享 BioNeMo 工具包时，它提供了客户所缺少的生物学推理层。BioNeMo NIM 是领域特定的设计——不是为生物学调整的通用模型，而是从零开始为结构预测、分子生成和基因组学训练的模型。将其与 Baseten 的推理基础设施配对，意味着生命科学研究团队可以端到端地运行完整的发现流水线，而无需自行搭建和管理底层的计算资源。
NVIDIA NIM 微服务是一种 Docker 容器，通过小型 HTTP API 提供单个模型的推理服务，其中包含了权重、CUDA 和服务堆栈。BioNeMo 是 NVIDIA 的 AI 驱动生物学和药物发现平台，提供开放模型、库、数据集、工具和用于科学 AI 工作负载的 NIM 微服务。BioNeMo 产品组合涵盖三大类别：
- 理解生物学：分析生物序列并识别生物学意义的模型，例如从原始序列映射分子3D形状。示例包括 Evo 2。
- 设计新疗法：生成蛋白质、抗体和分子的模型，例如设计全新的功能性蛋白质以针对特定疾病。示例包括 RFdiffusion、ProteinMPNN、GenMol、MolMIM。
- 预测结构和相互作用：预测生物分子行为和相互作用的模型，例如读取序列以理解其特性、进化和功能。示例包括 OpenFold2、OpenFold3、Boltz2、DiffDock。
在 Baseten 上可用的 BioNeMo NIM 微服务总结在文章表格中。
除了容器，NVIDIA 还发布了 BioNeMo Skills。Skill 是一个为智能体编写的 Markdown 规范，包含针对给定任务调用哪个端点、认证头、确切的负载字段、如何解析响应以及常见错误的含义。每个模型对应一个 SKILL.md 文件和参考文件，两个“元技能”将多个模型组合成完整的流水线。当智能体指向这些技能时，它可以自主决定折叠序列意味着先收集比对再进行折叠，正确格式化两个负载，然后将数据从一个模型传递到下一个模型。因此，技能将一堆 HTTP 端点转变为智能体可以端到端驱动并提供完整科学工作流的东西。
上下文对于结构模型运行至关重要。AlphaFold 类模型的准确率并非仅来自序列，而是来自进化。找到其他物种中数百个相关蛋白质并将其对齐，数百万年来共同突变的列通常在3D中接触。比对中的共进化信号是折叠器读取的主要内容，这就是为什么单独折叠一个序列会得到明显较差的结果。获取上下文的全部工作由 MSA-Search 完成：GPU MMseqs2 在约1.4TB的参考数据库上进行搜索，将之前需要数十分钟到数小时的 CPU 搜索缩短到几秒钟内完成。
通过 BioNeMo 技能，智能体能够自主执行蛋白质折叠等流程。例如，智能体读取元技能后，进行两次调用：首先进行搜索获取多序列比对，然后将比对文本作为输入传递给折叠模型。当输入为两条链的复合物时，智能体会选择配对搜索而非标准搜索。它可以运行 OpenFold3 两次，一次使用完整比对，一次使用单序列比对，然后读取置信度分数并决定是否信任答案。这种决策能力正是 BioNeMo 技能所赋予的。
除了折叠，BioNeMo Agent Toolkit 还支持更广泛的科学工作流，包括蛋白质结合剂设计、虚拟筛选、基因组分析和靶点发现。这些工作流将孤立的模型调用转变为完整的科学发现流水线。以药物发现为例：GenMol 从支架生成候选分子，DiffDock 将每个候选分子与目标蛋白对齐并仅保留匹配的，Boltz2 预测每个分子的结合强度，最后智能体生成、对接、评分、排序并返回按预测效价排序的候选列表。
所有 BioNeMo NIM 微服务现已在 Baseten 模型库中提供。开发者可以通过 Baseten 的 MCP 直接部署它们，并使用 Baseten Skills 进行调用。同样的模式可以端到端地工作：智能体读取技能，从库中选择正确的 NIM，部署它并开始调用。通过将 BioNeMo Agent Toolkit 在 Baseten 上提供，开发者可以快速部署和扩展科学 AI 工作负载，而无需管理模型服务、GPU 基础设施或编排的复杂性。像 Benchling 这样的团队已经在生产中使用 Baseten 运行 BioNeMo 工作负载，加速从序列到结构再到候选的路径。