NVIDIA BioNeMo Agent Toolkit 开源：将生物分子模型封装为 AI Agent 可调用技能，药物发现任务完成率提升至 100%

一句话看懂

NVIDIA 开源 BioNeMo Agent Toolkit，把蛋白质折叠、分子对接等生物模型变成 AI Agent 能直接调用的“技能”，让药物发现任务完成率从 57.1% 提升到 100%。

详细发生了什么

NVIDIA 发布了 BioNeMo Agent Toolkit，这是一个开源工具包，把 OpenFold3、DiffDock、GenMol、ProteinMPNN 等生物分子模型封装成 AI Agent 可调用的标准化“技能”（Skills）。每个技能包含一个 SKILL.md 文件，用 YAML 元数据和自然语言描述模型的目的、输入、输出、预期产物和失败模式。Agent 可以像读文档一样读取这些技能，然后自主选择、调用并解释结果。

工具包分为三部分：NIM（NVIDIA Inference Microservices）加速的托管端点、开源模型 MCP 服务器封装，以及多步骤工作流（例如 generative_protein_binder_design 链式调用 RFdiffusion → ProteinMPNN → OpenFold3）。部署方式灵活：托管 NIM 端点适合快速访问，本地 NIM 适合低延迟和重复迭代。

NVIDIA 用 Codex CLI 加 GPT-5.5 fast 做了基准测试：没有技能时任务完成率只有 57.1%，有技能后达到 100%；token 效率翻倍（每 1000 token 通过断言数增加 2 倍）。所有十项 NIM 技能表现一致。

中文圈视角

对国内药物研发团队来说，这个工具包直接降低了 AI Agent 在生物计算领域的使用门槛。 过去，让 Agent 调用生物模型需要手动编写 API 接口、处理输入输出格式、调试失败情况——这恰恰是大多数 AI 工程师不熟悉的领域。BioNeMo Agent Toolkit 通过标准化的 SKILL.md 文件，让 Agent 自己就能理解模型怎么用，相当于给 Agent 配了一本“生物模型说明书”。

国内有没有平替？ 目前国内类似的开源项目较少。华为盘古药物分子大模型、深势科技 DP 系列等更多聚焦于模型本身，而非 Agent 调用层。百度飞桨（PaddlePaddle）有生物计算套件 PaddleHelix，但缺乏类似的 Agent 技能封装。对于想快速搭建 AI 药物发现 Agent 的团队，BioNeMo 是目前最完整的方案。

需要注意的点： 托管 NIM 端点需要 NVIDIA API key，国内用户可能需要考虑网络访问和合规问题（数据出境）。本地部署则需要 GPU 节点，但 NVIDIA 明确表示托管端点仅用于小规模开发测试，生产环境建议本地部署。另外，工具包目前依赖 NVIDIA 生态（CUDA、cuEquivariance），对国产 GPU（如华为昇腾、寒武纪）的兼容性未知。

中文圈尚未讨论的盲点： 这个工具包实际上定义了一种“科学 Agent 技能”的元数据标准——SKILL.md 的 YAML 格式。如果国内模型社区（如 ModelScope、启智社区）能跟进类似标准，将极大促进 AI Agent 在科研领域的跨平台协作。

几条值得记住的细节

技能结构：每个技能是一个目录，内含 SKILL.md 文件，包含 YAML 元数据、自然语言指令、可选脚本和参考文档。
部署选择：托管 NIM 端点（build.nvidia.com）适合快速测试；本地 NIM 适合低延迟和数据本地化需求。
基准数据：Codex CLI 加 GPT-5.5 fast 测试，任务完成率从 57.1% 升至 100%，token 效率翻倍。
工作流示例：generative_protein_binder_design 链式调用 RFdiffusion → ProteinMPNN → OpenFold3，实现蛋白质结合剂设计。
安装命令：npx skills add NVIDIA-BioNeMo/bionemo-agent-toolkit 即可添加技能，支持按 Agent 筛选。

一句话总结

BioNeMo Agent Toolkit 让 AI Agent 真正能用上生物分子模型，药物发现自动化迈出关键一步，国内团队应关注其技能标准与本地化部署方案。