下载地址
https://www.zhengdianxue.com/wp-content/uploads/skills/org-jv9emig9--chaos-biomni.zip将提示词发送给你的 AI 安装该 skills
请根据 https://skillhub.cn/install/skillhub.md，安装 @org-jv9emig9/chaos-biomni。- Biomni 风格的生物医学 AI Agent，基于 DeepSeek 大模型驱动，实现计划-执行（Plan-and-Execute）循环、XML 标签协议（<
- execute>
- /<
- solution>
- /<
- observe>
- …（完整说明见下方「阅读全文」）
阅读全文 （展开查看完整说明）
概述
Biomni DeepSeek Agent
将 Biomni 的核心 Agent 工作流移植到 DeepSeek 大模型的可运行 Skill。
快速开始
1. 配置 API Key
三选一（优先级从高到低）：
# 方式一：命令行参数
python scripts/biomni_agent.py --api-key "sk-xxx" "任务描述"
# 方式二：环境变量
export DEEPSEEK_API_KEY="sk-xxx"
# 方式三：配置文件（持久化）
echo '{"api_key":"sk-xxx","model":"deepseek-chat"}' > ~/.biomni_deepseek.json详细配置见 [references/deepseek_config.md](references/deepseek_config.md)。
2. 运行 Agent
# 基本用法
python scripts/biomni_agent.py "分析这个基因表达数据并生成假设"
# 使用推理模型 deepseek-reasoner (R1)
python scripts/biomni_agent.py --model deepseek-reasoner "设计 CRISPR 筛选实验"
# 启用自我批评 + 保存历史
python scripts/biomni_agent.py --self-critic --critic-rounds 3
--save-history result.json "预测该化合物的 ADMET 性质"
# 指定数据目录和知识库
python scripts/biomni_agent.py --data-dir ./my_data --know-how ./protocols
"对 ./my_data 中的 scRNA-seq 数据进行注释"3. 依赖
pip install openai>=1.0R 代码执行需要系统安装 R；Bash 代码直接使用系统 shell。
工作原理
Agent 实现了 Biomni A1 的核心循环：
用户任务 → 制定计划(checklist) → LLM生成 → 解析标签
├─ <execute> → 执行代码(Python/R/Bash) → <observe>返回结果 → 继续循环
└─ <solution> → 输出最终答案（可选自我批评后继续）XML 标签协议：
<execute>：执行代码，Python 默认；#!R开头为 R，#!BASH开头为 Shell<solution>：最终答案<think>：可选的内部推理<observe>：系统自动注入的代码执行结果
每轮必须包含 <execute> 或 <solution> 之一。系统提示词详情见 [references/system_prompt.md](references/system_prompt.md)。
在 Python 中嵌入使用
from scripts.biomni_agent import BiomniAgent, AgentConfig
# 初始化
config = AgentConfig.load(api_key="sk-xxx", model="deepseek-chat")
agent = BiomniAgent(config)
# 注册自定义工具
def query_uniprot(gene_name: str) -> str:
"""查询 UniProt 数据库获取蛋白质信息"""
# ... 实现 ...
return result
agent.add_tool(query_uniprot, description="查询 UniProt 蛋白质信息")
# 运行任务
result = agent.run("查找 BRCA1 基因的蛋白质信息并分析其功能域")
print(result)
# 保存对话历史
agent.save_history("run_output.json")关键参数
| 参数 | 默认值 | 说明 |
|---|---|---|
--model | deepseek-chat | 模型：deepseek-chat 或 deepseek-reasoner |
--max-rounds | 50 | Agent 最大循环轮数 |
--timeout | 600 | 单次代码执行超时（秒） |
--temperature | 0.7 | 采样温度（reasoner 模型忽略） |
--self-critic | off | 启用自我批评反思循环 |
--critic-rounds | 2 | 自我批评轮数 |
--data-dir | ./data | 工作/数据目录 |
--know-how | None | 实验方案/最佳实践 markdown 目录 |
--no-tool-retrieval | off | 关闭工具检索（工具多时建议开启检索） |
--save-history | None | 保存完整对话历史到 JSON |
工具注册与检索
- 通过
agent.add_tool(func, description)注册任意 Python 函数 - 工具超过 20 个时，自动用 LLM 做 prompt-based retrieval 筛选相关工具
- 工具描述会被注入系统提示词，供 LLM 决策调用
与原 Biomni 的区别
| 维度 | 原 Biomni | 本 Skill |
|---|---|---|
| LLM | Claude/OpenAI/Gemini 等多提供商 | DeepSeek（chat / reasoner） |
| 编排框架 | LangChain + LangGraph | 纯 Python 轻量实现 |
| 数据湖 | ~11GB 预下载生物医学数据 | 用户指定 --data-dir |
| 工具库 | 数百个内置生物医学工具 | 空注册表，用户按需 add_tool |
| 依赖 | 庞大 conda 环境 | 仅需 openai SDK |
| Know-How | 内置实验方案库 | 用户指定 markdown 目录 |
核心方法论（计划-执行、XML 标签协议、代码执行循环、工具检索、自我批评）完全保留。
