NVIDIA BioNeMo Agent Toolkit：將生物分子模型轉化為AI智能體的可調用技能，助力藥物發現

AI科學家正在成為科學計算的新接口。這些智能體能夠閲讀論文、編寫代碼、生成假設、調用API和檢查文件。但科學不是軟件工程——沒有測試套件會在假設正確時變綠。發現過程仍然是迭代的、不確定的，並且根植於物理世界。

NVIDIA正是針對這一差距推出了BioNeMo Agent Toolkit。NVIDIA發佈了一篇實操指南，其論點直截了當：一個指向生物學領域的通用編碼智能體不會產生新藥物。在生物分子研究中，智能體的上限取決於它能可靠、正確且高效使用的工具。

簡而言之，BioNeMo Agent Toolkit將NVIDIA的生物分子模型打包為文檔化的可調用智能體技能。這些技能涵蓋蛋白質摺疊、分子對接、生成化學、基因組學分析和蛋白質設計。NVIDIA報告稱，使用技能後任務完成率從57.1%提升至100%，智能體每千代幣的通過斷言數平均翻倍。託管NIM端點適合快速訪問，本地NIM則適合重複迭代。

什麼是BioNeMo Agent Toolkit？它是一個開源的智能體“技能”倉庫。每個技能將一個NVIDIA生物分子模型轉化為智能體可調用的工具。該工具包封裝了蛋白質摺疊、分子對接、生成化學、基因組學分析、蛋白質設計和生物標誌物發現等功能。

NVIDIA將平台分為兩部分。第一部分是加速工具層：NVIDIA NIM（NVIDIA推理微服務）和BioNeMo開放模型通過cuEquivariance（用於結構模型）和Parabricks（用於基因組學）等庫提供核心能力。第二部分是智能體就緒接口：BioNeMo Skills將每個能力打包，以便智能體使用。一個技能文檔記錄模型的用途、所需輸入、可選參數、預期輸出和失敗模式。模型上下文協議（MCP）服務器包裝器暴露了尚未打包為NIM的開放模型。

倉庫將技能分為nim-skills、open-models-skills和library-skills。workflows文件夾包含多步驟元技能，例如generative_protein_binder_design，它串聯了RFdiffusion→ProteinMPNN→OpenFold3。

技能如何工作？每個技能目錄包含一個SKILL.md文件，內有YAML前置元數據以及指令、可選引用和可選腳本。智能體將其作為文檔讀取，然後執行。所有模型遵循相同的提示模式。以OpenFold3為例，其他NIM（如Boltz-2、DiffDock、GenMol、ProteinMPNN、MSA Search、RFdiffusion和Evo 2）也適用。用户只需指定技能、輸入和端點。

安裝通過開源技能CLI完成：npx skills add NVIDIA-BioNeMo/bionemo-agent-toolkit 或按需安裝單個技能。部署有兩種方式：使用託管NIM端點獲得快速訪問，無需管理基礎設施；或部署本地NIM以降低預熱延遲、實現數據本地性或重複迭代。

基準測試顯示，在Codex CLI和GPT-5.5 fast上，無技能時任務完成率為57.1%，使用NIM技能後達到100%。效率方面，每千代幣通過斷言數翻倍。

用例包括：蛋白質結構預測（Boltz-2或OpenFold3返回CIF文件）、多序列比對（MSA Search生成A3M文件）、生成化學（GenMol輸出SDF或SMILES）、蛋白質結合劑設計（RFdiffusion→ProteinMPNN→OpenFold3工作流）。每個循環遵循相同模式：智能體選擇模型、準備輸入、運行、檢查輸出並帶着注意事項解釋結果。

與無技能智能體對比：任務完成率從57.1%升至100%，代幣效率翻倍，模型選擇從猜測變為讀取文檔，部署從手動設置變為託管/本地NIM，失敗處理有文檔記錄，工作流支持多步驟元技能。

入門要求：需要智能體運行時（如Claude或Codex）、NVIDIA API密鑰（託管端點），GPU節點可選（本地部署）。建議先讓智能體枚舉倉庫能力，再賦予單個技能。NVIDIA提醒：build.nvidia.com端點僅用於小規模開發測試，並非生產級推理；同時強調驗證低置信度結構和過濾生成分子。

更多信息請查看GitHub倉庫和技術細節。