Bio Agent 生態系完整比較論述

34 個 GitHub 專案的綜合分析與比較 日期：2026-06-08 版本：v2.0（擴充版） 資料來源：GitHub 公開 repository、arXiv 論文、各專案 README 與教學文件

2. 生態系全覽 (Ecosystem Overview)

這 34 個專案並非各自獨立——它們形成了一個有清楚層次結構的生態系。最頂層是 AI Scientist framework (AI 科學家框架)，負責端到端的研究自動化；中間層是 multi-agent platform (多代理平台) 和 tool provider (工具提供者)，提供具體的推理與執行能力；底層是 knowledge base (知識庫) 和 benchmark (基準測試)，作為上層系統的知識基礎與評估標準。

graph TD
    subgraph AI_Scientist["AI Scientist Frameworks
AI 科學家框架"]
        AS["01 AI-Scientist
13.9K ★"]
        KO["11 Kosmos
532 ★"]
        AuS["10 AutoScientists
562 ★"]
        BA["16 BioAgents
165 ★"]
        SC["34 sciagent-cli
7 ★"]
    end

    subgraph Multi_Agent["Multi-Agent Platforms
多代理平台"]
        RB["12 Robin
517 ★"]
        BM["03 Biomni
3.2K ★"]
        VL["07 Virtual Lab
689 ★"]
        SAD["09 SciAgentsDiscovery
613 ★"]
    end

    subgraph Tool_Provider["Tool Providers & Agent Skills
工具提供者與代理技能"]
        TU["04 ToolUniverse
1.4K ★"]
        TX["08 TxAgent
634 ★"]
        CC["05 ChemCrow
921 ★"]
        SAS["15 SciAgent-Skills
193 ★"]
        CT["14 celltype-agent
237 ★"]
        MD["23 Medea
108 ★"]
        BDA["22 BioDiscoveryAgent
108 ★"]
        PQ["02 paper-qa
8.7K ★"]
    end

    subgraph Knowledge_Base["Knowledge Bases
知識庫"]
        PK["06 PrimeKG
772 ★"]
        OK["25 OptimusKG
82 ★"]
        SA["19 SciAtlas
120 ★"]
        ARK["30 ark-agent-cli
13 ★"]
    end

    subgraph Benchmark["Benchmarks & Datasets
基準測試與資料集"]
        BB["20 BixBench
114 ★"]
        LB["21 LAB-Bench
111 ★"]
        ET["17 ether0
163 ★"]
        SG["28 SciAgentGYM
29 ★"]
        AV["13 Aviary
270 ★"]
    end

    subgraph MCP_Native["MCP-Native 整合層
Claude Code 直接可用"]
        BIS["26 bioinformatics-agent-skills
54 ★"]
        BKM["29 knowledgebase-mcp
24 ★"]
        BAM["31 bio-agents-mcp
11 ★"]
        BSA["32 BiostatAgent
4 ★"]
        BIA["33 bioimage-agent
3 ★"]
    end

    subgraph Reference["參考清單"]
        ABP["24 awesome-bioagent-papers
104 ★"]
        ABS["27 awesome-bio-agent-skills
34 ★"]
    end

    subgraph Infra["基礎框架層"]
        LDP["18 ldp
136 ★"]
    end

    AI_Scientist -->|"使用"| Multi_Agent
    AI_Scientist -->|"呼叫"| Tool_Provider
    Multi_Agent -->|"呼叫"| Tool_Provider
    Tool_Provider -->|"查詢"| Knowledge_Base
    Tool_Provider -->|"查詢"| MCP_Native
    Benchmark -->|"評估"| Tool_Provider
    Benchmark -->|"評估"| Multi_Agent
    LDP -->|"底層支撐"| AV
    AV -->|"環境定義"| PQ
    PQ -->|"文獻 RAG"| RB
    TU -->|"工具基礎"| TX
    TU -->|"工具基礎"| MD
    PK -->|"知識來源"| OK
    PK -->|"知識來源"| ARK
    Reference -->|"文獻索引"| AI_Scientist

2.1 生態系各層角色定義

AI Scientist Framework (AI 科學家框架)：這一層的專案試圖覆蓋科學研究的「完整生命週期」——從文獻回顧、假說生成、實驗設計、程式碼執行到論文撰寫。它們是最具野心的專案類型，也是複雜度最高的。AI-Scientist 用約 $15 每篇的成本自動生成論文，Kosmos 用六個專職 agent 模擬研究團隊運作，AutoScientists 讓 agent 自組織成去中心化的研究小組。這一層的共同特徵是「端到端」——使用者輸入一個研究主題，系統輸出一份完整的研究報告或論文。

Multi-Agent Platform (多代理平台)：這一層的專案專注於讓多個角色化的 agent 協作解決複雜問題。它們不一定覆蓋完整的研究生命週期，但在「如何讓多個 AI 專家有效合作」這個問題上有深入的探索。Virtual Lab 模擬研究團隊的結構化辯論，Robin 用三階段流水線讓不同 agent 接力完成藥物發現流程，SciAgentsDiscovery 讓 7+ 個 agent 圍繞知識圖譜路徑進行假說生成。

Tool Provider & Agent Skills (工具提供者與代理技能)：這一層是生態系的「核心引擎」，提供 agent 實際執行工作所需的具體能力。ToolUniverse 提供 427 個工具和 117 個技能，paper-qa 提供超人類準確度的文獻 RAG，ChemCrow 提供 17+ 化學工具，celltype-agent 提供 190+ 個藥物發現工具。這些專案的共同特徵是「可被上層系統呼叫」。

Knowledge Base (知識庫)：結構化知識的來源。PrimeKG 整合 20+ 資料庫建構精準醫療知識圖譜（129K 節點、4M 邊），OptimusKG 升級到 65 資料來源（190K 節點、21.8M 邊），SciAtlas 建構論文知識圖譜。這些知識庫是上層 agent 進行 graph-based reasoning (圖譜推理) 的基礎。

Benchmark & Dataset (基準測試與資料集)：品質評估的標準。BixBench 已成為計算生物學 agent 的「黃金標準」——SciAgent-Skills 標榜 92%、celltype-agent 標榜 90%。LAB-Bench 涵蓋更廣的生物學研究任務，SciAgentGYM 專注於多步驟工具使用場景。

MCP-Native (MCP 原生整合層)：專門為 Model Context Protocol (MCP; 模型上下文協定) 設計的輕量級工具，可直接被 Claude Code 等 MCP client 呼叫。knowledgebase-mcp 提供 17+ 生物醫學資料庫的統一存取，BiostatAgent 提供 30 個生物統計 agent，bioimage-agent 提供生物影像分析能力。

2.2 生態系數字摘要

2.3 生態系的「食物鏈」

理解這個生態系的關鍵是看清楚「誰依賴誰」。以下展示最重要的依賴關係：

flowchart LR
    subgraph Upstream["上游：資料與知識"]
        PrimeKG["PrimeKG
129K nodes / 4M edges"]
        OptimusKG["OptimusKG
190K nodes / 21.8M edges"]
        PubMed["PubMed / S2 / arXiv"]
    end

    subgraph Middleware["中游：工具與推理"]
        ToolUniverse["ToolUniverse
427 tools"]
        PaperQA["paper-qa
文獻 RAG"]
        Aviary["Aviary
Agent runtime"]
        LDP["ldp
Agent framework"]
    end

    subgraph Downstream["下游：端到端應用"]
        TxAgent["TxAgent
治療推理"]
        Robin["Robin
藥物發現"]
        Medea["Medea
多組學"]
        AutoSci["AutoScientists
自組織研究"]
    end

    PrimeKG --> ToolUniverse
    PrimeKG --> OptimusKG
    OptimusKG --> ToolUniverse
    PubMed --> PaperQA
    ToolUniverse --> TxAgent
    ToolUniverse --> Medea
    PaperQA --> Robin
    Aviary --> PaperQA
    LDP --> Aviary
    PaperQA --> AutoSci

關鍵觀察：PrimeKG 和 paper-qa 是整個生態系中被依賴次數最多的兩個專案。前者為結構化知識提供基礎，後者為文獻知識提供基礎。選擇上層工具時，必然要考慮它們對這兩個基礎設施的依賴方式。

3. 架構模式比較 (Architecture Pattern Comparison)

分析 34 個專案的內部設計，可以歸納出五種根本不同的架構模式 (architecture pattern; 架構模式)。每種模式反映了不同的設計哲學——從「一個 agent 做所有事」到「多個 agent 自組織協作」。

flowchart LR
    subgraph PatternA["Pattern A: Single Agent + Tools
單代理 + 工具集"]
        A_LLM["LLM Core
推理核心"] --> A_TOOL["Tool Registry
工具註冊表"]
        A_TOOL --> A_DB["External APIs
外部 API"]
    end

    subgraph PatternB["Pattern B: Multi-Agent Debate
多代理辯論"]
        B_PI["PI / Orchestrator
主持者"] --> B_A1["Expert Agent 1"]
        B_PI --> B_A2["Expert Agent 2"]
        B_PI --> B_A3["Critic Agent"]
        B_A1 -.->|"辯論"| B_A2
        B_A2 -.->|"批評"| B_A3
    end

    subgraph PatternC["Pattern C: Agent + KG
代理 + 知識圖譜"]
        C_AGT["Agent Layer"] --> C_KG["Knowledge Graph
知識圖譜"]
        C_KG --> C_EMB["Embeddings
嵌入向量"]
        C_AGT --> C_PATH["Path Sampling
路徑取樣"]
    end

    subgraph PatternD["Pattern D: Full Pipeline
端到端管線"]
        D_IDEA["Ideation
構思"] --> D_EXP["Experiment
實驗"]
        D_EXP --> D_WRITE["Writeup
撰寫"]
        D_WRITE --> D_REV["Review
審查"]
    end

    subgraph PatternE["Pattern E: MCP Bridge
MCP 橋接層"]
        E_CLAUDE["Claude Code
or other LLM"] --> E_MCP["MCP Server
MCP 伺服器"]
        E_MCP --> E_API1["PDB API"]
        E_MCP --> E_API2["ChEMBL API"]
        E_MCP --> E_API3["UniProt API"]
    end

3.1 Pattern A: Single Agent + Tools (單代理 + 工具集)

這是最早也最直覺的架構：一個 LLM 扮演「大腦」，搭配一組可呼叫的工具。LLM 透過 ReAct (Reasoning + Acting; 推理與行動) 模式循環地思考、選工具、觀察結果、再思考。

代表專案：

• ChemCrow (921 stars)：17+ 化學工具 + LangChain ReAct agent，是這個模式的經典教科書
• TxAgent (634 stars)：211 個生物醫學工具 + 自訓練的 8B 參數模型，在藥物推理任務上以 92.1% 準確率超越 GPT-4o 的 66.3%
• celltype-agent (237 stars)：190+ 領域工具，BixBench 準確率 90%，被稱為「生物學版的 Claude Code」
• paper-qa (8,652 stars)：文獻 RAG 工具，agentic 搜尋 + 摘要 + 答案生成

Pattern A 子架構：TxAgent 的多步推理引擎

TxAgent 的架構是 Pattern A 的典範，但比基本的 ReAct 更精緻。它使用自訓練的 8B 模型 (TxAgent-T1-Llama-3.1-8B) 搭配專用的工具檢索模型 (ToolRAG-T1-GTE-Qwen2-1.5B)：

flowchart TD
    Q["使用者提問"] --> REASON["TxAgent-T1 多步推理"]
    REASON --> PARSE["Function Call Parser
解析工具呼叫"]
    PARSE --> TOOLRAG["ToolRAG 語意檢索
Top-K 工具匹配"]
    TOOLRAG --> EXECUTE["執行 ToolUniverse 工具
211 tools"]
    EXECUTE --> OBSERVE["觀察結果"]
    OBSERVE --> CHECK{"推理品質檢查"}
    CHECK -->|"需要更多資訊"| REASON
    CHECK -->|"上下文過長"| SUMMARIZE["Context Summarizer
壓縮歷史"]
    SUMMARIZE --> REASON
    CHECK -->|"完成"| ANSWER["結構化答案 + 引文"]

    style Q fill:#e1f5fe
    style ANSWER fill:#e8f5e9

優點：實作簡單、延遲低、除錯容易、工具可組合 局限：單一 agent 的推理能力受限於 context window (上下文窗口)；複雜任務容易「迷路」；沒有多角度審查機制

適用場景：

• 有明確工具需求的查詢（如「查某藥物的 ADMET 數據」）
• 需要快速回應的互動式分析
• 工具數量可控（< 500 個）的場景

3.2 Pattern B: Multi-Agent Debate (多代理辯論)

多個角色化的 agent 在有規則的框架下辯論，模擬人類研究團隊的討論過程。

代表專案：

• Virtual Lab (689 stars)：免疫學家、ML 專家、計算生物學家等角色 agent 圍繞議程辯論，由 PI 做最終決策。Nature 主刊驗證了其設計的 nanobody 在濕實驗中的結合活性
• Robin (517 stars)：三階段流水線（實驗方法生成 → 治療候選物生成 → 排序），每階段由不同 agent 協作
• SciAgentsDiscovery (613 stars)：Ontologist、Scientist、Critic 等 7+ agent 圍繞知識圖譜路徑進行假說生成

Pattern B 子架構：Virtual Lab 的結構化辯論機制

Virtual Lab 的設計特別優雅。PI（人類研究者）設定議程 (agenda)，多個專家 agent 在有輪次限制的框架下辯論，Scientific Critic 負責質疑每個主張：

sequenceDiagram
    participant PI as PI (人類)
    participant IM as Immunologist
    participant ML as ML Specialist
    participant CB as Comp Biologist
    participant SC as Scientific Critic

    PI->>IM: 設定議程：設計 SARS-CoV-2 nanobody
    Note over IM,SC: Round 1
    IM->>ML: 建議 CDR3 區域多樣性策略
    ML->>CB: 提議 ESM-2 序列 embedding 篩選
    CB->>SC: 整合 AlphaFold 結構預測方案
    SC->>IM: 質疑：親和力預測的驗證方式？

    Note over IM,SC: Round 2
    IM->>ML: 修正：加入實驗驗證指標
    ML->>CB: 回應：SPR binding 測試作為 gold standard
    CB->>SC: 補充計算成本分析
    SC->>PI: 共識方案 + 會議紀錄

    Note over PI: PI 審查、修改議程、繼續下一輪

優點：多角度思考減少偏見；結構化辯論產出品質高；可追溯的決策過程 局限：延遲高（多輪對話）；成本高（多個 LLM 呼叫）；agent 間協調是工程難題

適用場景：

• 設計決策需要多領域視角（如蛋白質設計、實驗方案規劃）
• 品質比速度重要的高風險決策
• 需要可審計的決策歷程（如監管文件）

3.3 Pattern C: Agent + Knowledge Graph (代理 + 知識圖譜)

agent 不僅依賴 LLM 的語言能力，還以結構化知識圖譜作為推理的基礎。

代表專案：

• SciAgentsDiscovery (613 stars)：在 ontological KG (本體知識圖譜) 上取樣路徑，讓 LLM 發現看似不相關概念之間的深層關聯
• ARK Agent CLI (13 stars)：自適應地在 PrimeKG / OptimusKG 上進行廣度/深度優先探索
• Biomni (3,169 stars)：整合 25+ 生物醫學 API 資料庫作為結構化知識來源

Pattern C 子架構：SciAgentsDiscovery 的 KG 路徑取樣機制

SciAgentsDiscovery 的創新在於用 KG 路徑 (path) 來引導 agent 的推理方向，而非讓 LLM 自由聯想：

flowchart TD
    PAPERS["科學論文集"] --> BUILD["GraphReasoning 圖譜建構"]
    BUILD --> KG["本體知識圖譜
(GraphML 格式)"]
    KG --> EMBED["節點嵌入
(BGE-large)"]
    KG --> SAMPLE["路徑取樣
找出非直覺連結"]
    SAMPLE --> PATH["路徑：A → B → C → D
例：蜘蛛絲 → 力學性質 → 能源製程 → 永續材料"]
    PATH --> ONTO["Ontologist Agent
釐清概念定義"]
    ONTO --> SCI["Scientist Agent
生成研究假說"]
    SCI --> EXPAND["7 Expansion Agents
從不同角度擴展"]
    EXPAND --> CRITIC["Critic Agent
評估可行性"]
    CRITIC --> S2["Semantic Scholar API
新穎性驗證"]
    S2 --> RESULT["假說報告
+ 新穎性/可行性評分"]

    style PAPERS fill:#e1f5fe
    style RESULT fill:#e8f5e9

優點：推理有結構化基礎，減少幻覺；可追溯知識來源；能發現跨領域的非直覺連結 局限：KG 建構與維護成本高；圖譜的覆蓋範圍決定了 agent 的天花板；路徑取樣的品質依賴圖譜結構

適用場景：

• 假說生成（特別是跨領域的新穎假說）
• 藥物重定位（在疾病-藥物-基因關係圖上探索新路徑）
• 知識發現（找出被人類忽略的潛在關聯）

3.4 Pattern D: Full Pipeline (端到端管線)

覆蓋科學研究的完整生命週期：從文獻回顧、假說生成、實驗設計、程式碼執行到論文撰寫。

代表專案：

• AI-Scientist (13,921 stars)：四階段管線（構思 → 實驗 → 論文 → 審查），每篇論文成本約 $15
• Kosmos (532 stars)：六個專職 agent（Research Director、Hypothesis Generator、Experiment Designer、Data Analyst、Literature Analyzer、Plan Reviewer），3,704 個測試案例
• AutoScientists (562 stars)：去中心化自組織 agent 團隊，在 BioML-Bench 上 74.4% 平均排行百分位

Pattern D 子架構：AI-Scientist 的四階段管線

AI-Scientist 是 Pattern D 的代表。它的四階段設計映射了人類科學家的完整研究循環：

flowchart LR
    subgraph Phase1["Phase 1: 構思"]
        SEED["seed_ideas.json"] --> BRAINSTORM["LLM 腦力激盪"]
        BRAINSTORM --> REFLECT["多輪反思 Reflection"]
        REFLECT --> NOVELTY["Semantic Scholar
新穎性檢查"]
        NOVELTY --> IDEAS["ideas.json
篩選後的點子"]
    end

    subgraph Phase2["Phase 2: 實驗"]
        IDEAS --> AIDER["Aider 修改
experiment.py"]
        AIDER --> RUN["subprocess 執行"]
        RUN --> CHECK{"成功?"}
        CHECK -->|"否"| FIX["錯誤修正
最多 4 輪"]
        FIX --> AIDER
        CHECK -->|"是"| RESULTS["final_info.json"]
        RESULTS --> PLOT["plot.py 圖表"]
    end

    subgraph Phase3["Phase 3: 撰寫"]
        PLOT --> LATEX["Aider 修改
template.tex"]
        LATEX --> CITE["文獻搜尋
Semantic Scholar"]
        CITE --> PDF["pdflatex 編譯"]
    end

    subgraph Phase4["Phase 4: 審查"]
        PDF --> REVIEW["5 reviewers x 5 reflections
ensemble 審查"]
        REVIEW --> IMPROVE{"啟用改進?"}
        IMPROVE -->|"是"| LATEX
        IMPROVE -->|"否"| FINAL["最終 PDF + Review"]
    end

    style SEED fill:#e1f5fe
    style FINAL fill:#e8f5e9

優點：最接近「完全自主研究」的願景；覆蓋研究全生命週期；可重現且可審計 局限：系統複雜度極高；每個階段的品質直接影響下游；目前主要限於可程式碼化的研究任務

3.5 Pattern E: MCP Bridge (MCP 橋接層)

不自己做推理，專注於將外部資料庫包裝成 MCP 工具，讓 Claude Code 等 LLM 直接呼叫。

代表專案：

• knowledgebase-mcp (24 stars)：17+ 個生物醫學資料庫的統一 MCP 介面，Nature Biotechnology 發表
• bio-agents-mcp (11 stars)：PDB + ChEMBL 的 MCP 包裝
• bioimage-agent (3 stars)：napari 影像瀏覽器的 MCP 暴露，LLNL 出品
• BiostatAgent (4 stars)：30 個 R 語言生物統計 agent + 17 個 command + 45 個 skill

Pattern E 子架構：knowledgebase-mcp 的統一資料庫存取層

knowledgebase-mcp 用 FastMCP 框架將 17+ 資料庫包裝成統一的 MCP tool，每個資料庫一個獨立的 tool module：

flowchart TD
    subgraph Clients["MCP Clients"]
        CC["Claude Code"]
        CD["Claude Desktop"]
        CUR["Cursor / VS Code"]
        PA["PydanticAI Agent"]
    end

    subgraph Server["FastMCP Server"]
        REG["Core Tool Registry"]
        UT["UniProt Tools
蛋白質序列/功能"]
        AF["AlphaFold Tools
3D 結構預測"]
        ST["STRING Tools
蛋白質交互作用"]
        OT["Open Targets
靶點-疾病關聯"]
        CT["ClinicalTrials
臨床試驗搜尋"]
        EP["EuropePMC
文獻搜尋"]
        KG_T["KEGG Tools
代謝路徑"]
        FDA["OpenFDA Tools
藥物標籤"]
    end

    subgraph DBs["External Databases"]
        D1["UniProt REST"]
        D2["AlphaFold DB"]
        D3["STRING API"]
        D4["Open Targets GraphQL"]
        D5["ClinicalTrials.gov"]
    end

    CC --> REG
    CD --> REG
    CUR --> REG
    PA --> REG
    REG --> UT & AF & ST & OT & CT & EP & KG_T & FDA
    UT --> D1
    AF --> D2
    ST --> D3
    OT --> D4
    CT --> D5

優點：最容易整合到現有 Claude Code 工作流；輕量、專注；標準化介面 局限：依賴上游 LLM 的推理能力；單獨使用能力有限；不做複雜的多步推理

3.6 五種模式的對照摘要

4. 功能比較矩陣 (Feature Comparison Matrix)

以下矩陣將 34 個專案跨多個維度進行比較。為方便閱讀，分為多張表格呈現。

表一：基本資訊與分類 (#01-#17)

表二：基本資訊與分類 (#18-#34)

表三：Agent 能力矩陣

表四：工具數量與涵蓋領域比較

表五：Benchmark 表現比較

5. Agent 呼叫鏈比較 (Agent Call Chain Comparison)

不同專案處理使用者查詢的方式截然不同。以下用具體的使用者問題展示從提問到最終答案的完整呼叫鏈。

5.1 Pattern A 呼叫鏈：TxAgent (單代理 + 211 工具)

使用者問題：「一位 50 歲有中度肝損傷的病患正在使用 Journavx 治療急性疼痛，劑量應如何調整？」

sequenceDiagram
    participant User as 使用者
    participant TX as TxAgent-T1 (8B)
    participant RAG as ToolRAG (1.5B)
    participant TU as ToolUniverse
    participant FDA as FDA DrugLabel
    participant OT as Open Targets

    User->>TX: Journavx 在肝損傷患者的劑量調整？
    TX->>TX: Step 1: 推理——需要查藥物資訊
    TX->>RAG: 語意搜尋：肝損傷 + 劑量調整
    RAG-->>TX: Top-3 工具：drug_info, hepatic_impairment, contraindication
    TX->>TU: 呼叫 drug_info_tool(Journavx)
    TU->>FDA: REST API 查詢
    FDA-->>TU: Journavx label data
    TU-->>TX: 藥物資訊 JSON
    TX->>TX: Step 2: 推理——需要確認肝損傷分級
    TX->>TU: 呼叫 hepatic_impairment_tool(Journavx, moderate)
    TU->>OT: GraphQL 查詢
    OT-->>TU: 肝損傷風險數據
    TU-->>TX: 調整建議 JSON
    TX->>TX: Step 3: 推理——生成最終答案
    TX-->>User: 結構化劑量建議 + 引文 + 警告

5.2 Pattern B 呼叫鏈：Virtual Lab (多代理辯論)

使用者問題：「設計能結合 SARS-CoV-2 Omicron 最新變異株的 nanobody」

sequenceDiagram
    participant PI as PI (人類)
    participant VL as Virtual Lab
    participant IM as Immunologist
    participant ML as ML Specialist
    participant CB as Comp Biologist
    participant SC as Scientific Critic
    participant PM as PubMed Tool

    PI->>VL: 設定議程 + 參與者
    VL->>IM: Round 1 開始
    IM->>PM: 搜尋 nanobody + Omicron 文獻
    PM-->>IM: 最新 22 篇相關論文
    IM->>VL: 建議 CDR3 多樣性 + VHH 骨架
    VL->>ML: 回應
    ML->>VL: ESM-2 embedding 篩選 + binding affinity 預測
    VL->>CB: 回應
    CB->>VL: AlphaFold 結構驗證 + MD 模擬建議
    VL->>SC: 審查
    SC->>VL: 質疑親和力預測的 ground truth
    Note over VL: Round 2-3: 修正與共識

    VL->>PI: 92 個候選 nanobody + 討論紀錄
    Note over PI: Nature 驗證：濕實驗確認結合活性

5.3 Pattern D 呼叫鏈：AI-Scientist (端到端管線)

使用者問題：「研究 NanoGPT 的 attention head 修剪最佳化」

sequenceDiagram
    participant User as 使用者
    participant Launch as launch_scientist.py
    participant Idea as generate_ideas.py
    participant S2 as Semantic Scholar
    participant Aider as Aider Coder
    participant Exp as experiment.py
    participant Write as perform_writeup.py
    participant Review as perform_review.py

    User->>Launch: 啟動研究 (NanoGPT template)
    Launch->>Idea: Phase 1: 構思
    Idea->>Idea: LLM 生成 10 個 idea
    Idea->>Idea: 多輪 Reflection 自我改進
    Idea->>S2: 新穎性檢查 (每個 idea)
    S2-->>Idea: 3 個 idea 通過新穎性門檻
    Idea-->>Launch: ideas.json (3 ideas)

    loop 每個 idea
        Launch->>Aider: Phase 2: 實驗
        Aider->>Exp: 修改 experiment.py
        Exp->>Exp: subprocess 執行 (timeout 2h)
        Note over Exp: 失敗時自動修正 (最多 4 輪)
        Exp-->>Launch: final_info.json + plots

        Launch->>Write: Phase 3: 撰寫
        Write->>Aider: 修改 template.tex
        Write->>S2: 搜尋引用文獻
        Write-->>Launch: PDF 論文

        Launch->>Review: Phase 4: 審查
        Review->>Review: 5 reviewers x 5 reflections
        Review-->>Launch: review.txt + 評分
    end

    Launch-->>User: 3 篇 PDF 論文 + Reviews

5.4 Pattern E 呼叫鏈：knowledgebase-mcp (MCP 橋接)

使用者問題：「TP53 基因相關的藥物靶點有哪些？蛋白質結構如何？」

sequenceDiagram
    participant User as 使用者
    participant CC as Claude Code
    participant MCP as knowledgebase-mcp
    participant OT as Open Targets API
    participant UP as UniProt API
    participant AF as AlphaFold DB

    User->>CC: TP53 基因相關的藥物靶點？
    CC->>CC: 規劃查詢策略
    CC->>MCP: tool call: search_targets(TP53)
    MCP->>OT: GraphQL query
    OT-->>MCP: 28 個靶點關聯
    MCP-->>CC: 結構化 JSON
    CC->>MCP: tool call: get_protein_info(P04637)
    MCP->>UP: REST API
    UP-->>MCP: TP53 蛋白質功能/結構域
    MCP-->>CC: 結構化 JSON
    CC->>MCP: tool call: get_alphafold_structure(P04637)
    MCP->>AF: Structure endpoint
    AF-->>MCP: 3D 結構 PDB 連結
    MCP-->>CC: 結構化 JSON
    CC-->>User: 綜合分析報告 + 靶點清單 + 結構資訊

5.5 呼叫鏈複雜度比較

6. 資料流比較 (Data Flow Comparison)

理解資料如何流經不同系統，是選擇正確工具的關鍵。以下比較四個代表性專案的資料流。

6.1 Biomni 的資料流

Biomni 是最複雜的資料流設計之一，因為它同時整合了 150+ 工具、80+ 資料集和 25+ API：

flowchart TD
    INPUT["使用者自然語言問題"] --> AGENT["A1 Agent (LangGraph StateGraph)"]
    AGENT --> RETRIEVE["ToolRetriever
prompt-based 檢索"]
    RETRIEVE --> TOOLS_DB["150+ Tool Definitions"]
    RETRIEVE --> DATA_DB["80+ Dataset Definitions"]
    TOOLS_DB --> SELECT["選取 Top-K 工具"]
    DATA_DB --> SELECT
    SELECT --> CODEGEN["function_generator
產生 Python 程式碼"]
    CODEGEN --> PYTHON["Python REPL 執行"]
    PYTHON --> API_CALL["25+ API 呼叫
PubChem / UniProt / KEGG ..."]
    PYTHON --> LOCAL["本地資料集
Data Lake ~11GB"]
    API_CALL --> RESULT["執行結果"]
    LOCAL --> RESULT
    RESULT --> AGENT
    AGENT --> CHECK{"任務完成?"}
    CHECK -->|"否"| RETRIEVE
    CHECK -->|"是"| OUTPUT["最終分析報告"]

    style INPUT fill:#e1f5fe
    style OUTPUT fill:#e8f5e9

6.2 paper-qa 的三階段資料流

paper-qa 的資料流清晰地分為「搜尋 → 收集證據 → 生成答案」三個階段：

flowchart LR
    subgraph Phase1["Phase 1: Paper Search"]
        Q["使用者問題"] --> KW["LLM 生成關鍵字"]
        KW --> SEARCH["搜尋候選論文
(本地索引 / S2 / OpenAlex)"]
        SEARCH --> PARSE["PDF 解析
(PyPDF / PyMuPDF / Docling)"]
        PARSE --> CHUNK["切片 + Embedding"]
        CHUNK --> META["Metadata 客戶端
S2 / Crossref / Unpaywall"]
    end

    subgraph Phase2["Phase 2: Gather Evidence"]
        META --> TOPK["Top-K 文件 chunk 排序"]
        TOPK --> SUMMARY["LLM 上下文摘要"]
        SUMMARY --> RERANK["LLM 重新評分 + 篩選"]
    end

    subgraph Phase3["Phase 3: Generate Answer"]
        RERANK --> PROMPT["最佳摘要放入 prompt"]
        PROMPT --> ANSWER["帶引文的答案"]
    end

    style Q fill:#e1f5fe
    style ANSWER fill:#e8f5e9

6.3 Kosmos 的研究循環資料流

Kosmos 的資料流是循環式的——每個 research cycle 的輸出會成為下一個 cycle 的輸入：

flowchart TD
    GOAL["研究目標"] --> PLAN["Plan Creator
任務生成 (70/30 探索/利用)"]
    PLAN --> LIT["Literature Analyzer
文獻搜尋 (arXiv / PubMed / S2)"]
    LIT --> COMPRESS["Context Compression
20:1 壓縮比"]
    COMPRESS --> HYPO["Hypothesis Generator
假說生成"]
    HYPO --> KG["Knowledge Graph
(Neo4j 選配)"]
    KG --> DESIGN["Experiment Designer
實驗設計"]
    DESIGN --> DOCKER["Docker Sandbox
程式碼執行"]
    DOCKER --> ANALYZE["Data Analyst
結果分析"]
    ANALYZE --> EVAL["ScholarEval
8 維度品質驗證"]
    EVAL --> REVIEW["Plan Creator/Reviewer
審查 + 下一輪任務"]
    REVIEW --> WM["World Model
狀態更新"]
    WM -->|"下一個 cycle"| PLAN

    style GOAL fill:#e1f5fe
    style EVAL fill:#e8f5e9

6.4 AutoScientists 的分散式資料流

AutoScientists 的資料流是最獨特的——去中心化的 agent 團隊透過 message board (訊息板) 共享資料：

flowchart TD
    ORCH["Orchestrator
runbook.md + task-profile.md"] --> WS["Workshop
公共討論區"]
    ORCH --> LAUNCH["launch.py
啟動多個 agent"]

    subgraph TeamA["Team A"]
        A1["Analyst Agent A"] --> G1["GPU Agent A1"]
        A1 --> G2["GPU Agent A2"]
    end

    subgraph TeamB["Team B"]
        A2["Analyst Agent B"] --> G3["GPU Agent B1"]
        A2 --> G4["GPU Agent B2"]
    end

    LAUNCH --> TeamA
    LAUNCH --> TeamB

    TeamA -->|"實驗結果 POST"| MB["Message Board
Posts + Comments"]
    TeamB -->|"實驗結果 POST"| MB
    MB -->|"失敗經驗共享"| TeamA
    MB -->|"成功策略學習"| TeamB

    MON["Monitor Agent
監控 + 裁判"] --> MB
    MB --> MERGE["最終報告合併"]

    style ORCH fill:#e1f5fe
    style MERGE fill:#e8f5e9

7. Agent 協作模式深度分析

34 個專案中，有 13 個涉及某種形式的 agent 協作。分析這些協作模式，可以歸納出四種根本不同的範式 (paradigm; 典範)。

7.1 四種協作範式

flowchart TD
    subgraph Single["範式 1: 單 Agent
(Single Agent)"]
        S_A["Agent"] --> S_T1["Tool 1"]
        S_A --> S_T2["Tool 2"]
        S_A --> S_T3["Tool 3"]
        S_NOTE["代表: TxAgent, ChemCrow
paper-qa, celltype-agent"]
    end

    subgraph Debate["範式 2: 多 Agent 辯論
(Multi-Agent Debate)"]
        D_PI["Orchestrator"] --> D_A1["Expert 1"]
        D_PI --> D_A2["Expert 2"]
        D_PI --> D_C["Critic"]
        D_A1 <-.->|"辯論"| D_A2
        D_A2 <-.->|"批評"| D_C
        D_NOTE["代表: Virtual Lab, Robin
SciAgentsDiscovery"]
    end

    subgraph Hierarchy["範式 3: 階層式管線
(Hierarchical Pipeline)"]
        H_DIR["Director"] --> H_A1["Phase 1 Agent"]
        H_A1 --> H_A2["Phase 2 Agent"]
        H_A2 --> H_A3["Phase 3 Agent"]
        H_DIR -.->|"監督"| H_A1 & H_A2 & H_A3
        H_NOTE["代表: Kosmos, AI-Scientist
Medea"]
    end

    subgraph SelfOrg["範式 4: 自組織團隊
(Self-Organizing Team)"]
        SO_A1["Agent 1"] <-->|"訊息板"| SO_A2["Agent 2"]
        SO_A2 <-->|"訊息板"| SO_A3["Agent 3"]
        SO_A3 <-->|"訊息板"| SO_A1
        SO_MON["Monitor"]
        SO_A1 & SO_A2 & SO_A3 -.-> SO_MON
        SO_NOTE["代表: AutoScientists"]
    end

7.2 各範式的詳細比較

7.3 協作效果的實證比較

有量化數據可以比較不同協作模式的效果：

關鍵洞察：協作模式的效果並非越複雜越好。SciAgent-Skills 僅用 Markdown 文件注入 domain knowledge，就將 Claude Code 在 BixBench 上的表現從 65.3% 提升到 92.0%——比許多複雜的多 agent 系統還要有效。這說明在 domain knowledge 充足的情況下，單 agent + good prompting 可能是最高效的方案。

8. API / CLI / MCP 介面比較

Bio agent 專案透過三種主要方式暴露其能力：CLI (命令列介面)、Python API (程式化呼叫介面)、MCP (模型上下文協定)。選擇哪種介面直接影響整合的難度與靈活度。

8.1 三種介面模式概覽

flowchart LR
    subgraph CLI_Mode["CLI 模式"]
        CLI_USER["使用者/Shell Script"] -->|"命令列"| CLI_TOOL["kosmos run / pqa ask / ct ask"]
        CLI_TOOL --> CLI_OUT["stdout / 檔案輸出"]
    end

    subgraph API_Mode["Python API 模式"]
        API_CODE["Python Script"] -->|"import + 函式呼叫"| API_LIB["from paperqa import Docs"]
        API_LIB --> API_OUT["Python 物件"]
    end

    subgraph MCP_Mode["MCP 模式"]
        MCP_CLIENT["Claude Code"] -->|"MCP Protocol"| MCP_SRV["MCP Server"]
        MCP_SRV --> MCP_OUT["JSON-RPC Response"]
    end

8.2 CLI 介面範例

以下是各專案實際的 CLI 命令範例，供直接參考：

paper-qa (文獻 RAG):

 1# 安裝
 2pip install paper-qa
 3
 4# 基本問答
 5pqa ask "What is the mechanism of action of pembrolizumab?"
 6
 7# 指定論文目錄
 8pqa --paper-directory ./papers ask "Compare CRISPR-Cas9 vs base editing efficiency"
 9
10# 設定搜尋引擎
11pqa --agent-type search --index-name my-papers ask "..."

Kosmos (AI 科學家):

 1# 安裝
 2pip install -e .
 3
 4# 互動式研究
 5kosmos run --interactive "Investigate BRCA1 mutations in breast cancer"
 6
 7# 串流輸出
 8kosmos run --stream --cycles 3 "Optimize protein stability prediction"
 9
10# 帶追蹤的完整研究
11kosmos run --trace --max-cost 50.0 "Design novel kinase inhibitors"

celltype-agent (單細胞分析):

 1# 安裝
 2pip install celltype-cli
 3
 4# 自然語言問答
 5ct ask "What are the best degradation targets for AML?"
 6
 7# 指定數據集
 8ct ask --dataset depmap "Identify PARP inhibitor sensitivity markers"
 9
10# 互動模式
11ct chat

ToolUniverse (工具庫):

1# CLI 模式
2tu list                    # 列出所有 427 工具
3tu find "ADMET prediction" # 搜尋工具
4tu run admet_tool --smiles "CC(=O)OC1=CC=CC=C1C(O)=O"  # 執行特定工具
5
6# MCP 模式
7npx @anthropic/mcp-server-tooluniverse  # 啟動 MCP server

8.3 Python API 範例

paper-qa:

 1from paperqa import Docs, Settings
 2
 3settings = Settings(
 4    llm="claude-sonnet-4-20250514",
 5    summary_llm="claude-haiku-4-20250514",
 6)
 7docs = Docs()
 8await docs.aadd("path/to/paper.pdf")
 9answer = await docs.aquery("What is the main finding?")
10print(answer.formatted_answer)  # 帶引文的答案

TxAgent:

 1from txagent import TxAgent
 2
 3agent = TxAgent(
 4    model_name="mims-harvard/TxAgent-T1-Llama-3.1-8B",
 5    rag_model_name="mims-harvard/ToolRAG-T1-GTE-Qwen2-1.5B",
 6    tool_files_dict={"ToolUniverse": "data/new_tool.json"}
 7)
 8agent.init_model()
 9
10for response in agent.run_gradio_chat(
11    message="Journavx dosage adjustment for hepatic impairment?",
12    history=[], temperature=0.3
13):
14    print(response)

Biomni:

1from biomni.agent import A1
2
3agent = A1(
4    model="claude-sonnet-4-20250514",
5    tools=["pubchem", "uniprot", "scanpy"],
6    data_dir="./biomni_data"
7)
8result = agent.go("Analyze gene expression changes in BRCA1-mutant cells")
9print(result.final_answer)

8.4 MCP 設定範例

knowledgebase-mcp (Claude Code 設定):

1{
2  "mcpServers": {
3    "biocontext-kb": {
4      "command": "uvx",
5      "args": ["biocontext-kb-mcp"],
6      "env": {}
7    }
8  }
9}

BiostatAgent (Claude Code plugin):

 1{
 2  "mcpServers": {
 3    "biostat-agent": {
 4      "command": "npx",
 5      "args": ["biostat-agent-mcp"],
 6      "env": {
 7        "R_HOME": "/usr/lib/R"
 8      }
 9    }
10  }
11}

8.5 介面比較摘要

9. 知識圖譜結構比較

34 個專案中有 4 個以知識圖譜 (knowledge graph; KG) 為核心。它們的資料模型和建構方式有根本性的差異。

9.1 三大 KG 的 ER 模型比較

erDiagram
    GENE ||--o{ PROTEIN_INTERACTION : "PrimeKG: protein-protein"
    GENE ||--o{ DISEASE : "PrimeKG: gene-disease"
    DRUG ||--o{ DISEASE : "PrimeKG: drug-disease"
    DRUG ||--o{ GENE : "PrimeKG: drug-target"
    DISEASE ||--o{ PHENOTYPE : "PrimeKG: disease-phenotype"
    GENE ||--o{ BIOLOGICAL_PROCESS : "PrimeKG: gene-GO"
    GENE ||--o{ PATHWAY : "PrimeKG: gene-pathway"
    ANATOMY ||--o{ GENE : "PrimeKG: anatomy-gene"
    DRUG ||--o{ DRUG : "PrimeKG: drug-drug interaction"
    EXPOSURE ||--o{ DISEASE : "PrimeKG: exposure-disease"

9.2 規模比較

9.3 十種節點類型的跨 KG 比較

PrimeKG 和 OptimusKG 共享相同的 10 種節點類型，但 OptimusKG 的每個節點攜帶更豐富的屬性：

9.4 KG 選擇決策指南

flowchart TD
    START["需要知識圖譜"] --> Q1{"需要多少屬性?"}
    Q1 -->|"基本屬性即可"| PK["PrimeKG
輕量、快速、已驗證"]
    Q1 -->|"需要豐富屬性
(SMILES, ATC, 臨床階段)"| OK["OptimusKG
65 來源、150 屬性鍵"]
    Q1 -->|"需要論文關係"| SA["SciAtlas
論文-作者-機構圖"]

    PK --> Q2{"需要 CLI 探索?"}
    Q2 -->|"是"| ARK["搭配 ark-agent-cli
自然語言 KG 探索"]
    Q2 -->|"否"| DONE1["直接 pandas load CSV"]

    OK --> Q3{"需要程式化存取?"}
    Q3 -->|"是"| OKP["pip install optimuskg
Python Client"]
    Q3 -->|"否"| DONE2["下載 Parquet 檔案"]

10. 技術棧分析 (Tech Stack Analysis)

10.1 程式語言分佈

pie title 主要程式語言分佈 (34 專案)
    "Python" : 28
    "TypeScript" : 3
    "Jupyter Notebook" : 3

Python 的絕對主導地位 (82%) 反映了科學計算生態系的現實：NumPy、SciPy、scikit-learn、RDKit、scanpy 等核心函式庫都是 Python 生態的一部分。TypeScript 的存在 (BioAgents、ark-agent-cli、bioinformatics-agent-skills) 則反映了前端/全端開發者進入 bio agent 領域的趨勢。

10.2 LLM 框架與依賴

graph LR
    subgraph LLM_Frameworks["LLM 框架使用分佈"]
        LG["LangChain / LangGraph
ChemCrow, Biomni, BioDiscoveryAgent"]
        CL["Claude API (直接)
AutoScientists, Virtual Lab, TxAgent"]
        OA["OpenAI API (直接)
AI-Scientist, SciAgentsDiscovery"]
        LL["LiteLLM (多 provider)
Kosmos, sciagent-cli, paper-qa"]
        VL_F["vLLM (本地推論)
TxAgent (8B model)"]
        AL["AgentLite (Salesforce)
Medea"]
        FH["Aviary/LDP (自研)
paper-qa, Robin"]
        CI["ClawInstitute
AutoScientists"]
    end

    subgraph Science_Libs["科學函式庫熱門度"]
        RD["RDKit
化學分子操作
(ChemCrow, ToolUniverse, Biomni)"]
        SP["scanpy
單細胞分析
(Biomni, celltype-agent, Medea)"]
        NX["NetworkX
圖分析
(PrimeKG, SciAgentsDiscovery)"]
        BIO["BioPython
序列操作
(SciAgent-Skills, BioDiscoveryAgent)"]
        PYG["PyTorch Geometric
圖神經網路
(PrimeKG, OptimusKG)"]
    end

10.3 LLM 依賴模式分類

10.4 科學函式庫依賴圖

graph TD
    subgraph Core["核心科學函式庫"]
        NP["NumPy
幾乎所有專案"]
        PD["pandas
幾乎所有專案"]
        SK["scikit-learn
ML 相關專案"]
    end

    subgraph Chemistry["化學"]
        RDKit["RDKit
ChemCrow, ToolUniverse
Biomni, TxAgent"]
        PubChemPy["PubChemPy
ChemCrow, Biomni"]
    end

    subgraph Bio["生物資訊"]
        scanpy["scanpy
Biomni, celltype-agent
Medea, SciAgent-Skills"]
        BioPython["BioPython
SciAgent-Skills
BioDiscoveryAgent"]
        pysam["pysam
SciAgent-Skills"]
    end

    subgraph Graph["圖分析"]
        NX["NetworkX
PrimeKG, SciAgentsDiscovery
OptimusKG"]
        PyG["PyTorch Geometric
PrimeKG, OptimusKG"]
        Neo4j["Neo4j Driver
Kosmos, SciAgentsDiscovery"]
    end

    subgraph NLP["NLP / Embedding"]
        SE["sentence-transformers
TxAgent, paper-qa"]
        TE["tiktoken
AI-Scientist, Kosmos"]
        LC["LangChain
ChemCrow, Biomni"]
    end

    NP --> RDKit
    NP --> scanpy
    NP --> NX
    PD --> scanpy
    PD --> BioPython
    SK --> scanpy

10.5 工具數量比較

graph LR
    subgraph ToolCount["各專案可呼叫工具數量"]
        direction TB
        T_SG["SciAgentGYM: 1,780+"]
        T_TU["ToolUniverse: 427 tools + 117 skills"]
        T_TX["TxAgent: 211 tools"]
        T_SA["SciAgent-Skills: 199 skills"]
        T_CT["celltype-agent: 190+ tools"]
        T_BM["Biomni: 150+ tools + 80+ datasets"]
        T_BAS["bioinformatics-agent-skills: 78 workflows"]
        T_BS["BiostatAgent: 30 agents + 45 skills"]
        T_MD["Medea: 26+ tools"]
        T_CC["ChemCrow: 17 tools"]
        T_BK["knowledgebase-mcp: 17+ databases"]
    end

11. 研究機構生態系 (Research Lab Ecosystems)

Bio agent 領域由少數幾個核心實驗室主導，每個實驗室都有自己的「產品線」——從底層知識庫到頂層 agent 框架，形成垂直整合的研究生態系。

graph TD
    subgraph Harvard["mims-harvard (Zitnik Lab)
哈佛醫學院 Zitnik 實驗室
7 個專案, 累計 3,604 ★"]
        H_TU["ToolUniverse
1,431 ★"]
        H_TX["TxAgent
634 ★"]
        H_AS["AutoScientists
562 ★"]
        H_PK["PrimeKG
772 ★"]
        H_OK["OptimusKG
82 ★"]
        H_MD["Medea
108 ★"]
        H_ARK["ark-agent-cli
13 ★"]

        H_PK -->|"升級版"| H_OK
        H_TU -->|"reasoning layer"| H_TX
        H_TU -->|"tool base"| H_MD
        H_PK -->|"知識來源"| H_ARK
        H_TX -.->|"同團隊"| H_AS
    end

    subgraph FH["Future House
AI for Science 研究機構
7 個專案, 累計 10,063 ★"]
        F_PQ["paper-qa
8,652 ★"]
        F_RB["Robin
517 ★"]
        F_AV["Aviary
270 ★"]
        F_ET["ether0
163 ★"]
        F_LD["ldp
136 ★"]
        F_BB["BixBench
114 ★"]
        F_LB["LAB-Bench
111 ★"]

        F_LD -->|"底層框架"| F_AV
        F_AV -->|"環境定義"| F_PQ
        F_PQ -->|"文獻能力"| F_RB
        F_BB -->|"評估"| F_PQ
        F_LB -->|"評估"| F_AV
    end

    subgraph Stanford["snap-stanford (SNAP Lab)
史丹佛 SNAP 實驗室
2 個專案, 累計 3,277 ★"]
        S_BM["Biomni
3,169 ★"]
        S_BD["BioDiscoveryAgent
108 ★"]
    end

    subgraph MIT_LAMM["lamm-mit (LAMM Lab)
MIT 原子分子力學實驗室"]
        M_SD["SciAgentsDiscovery
613 ★"]
    end

    subgraph Zou["zou-group (Zou Lab)
史丹佛 Zou 實驗室"]
        Z_VL["Virtual Lab
689 ★"]
    end

    subgraph Sakana["SakanaAI
日本 AI 研究公司"]
        SK_AS["AI-Scientist
13,921 ★"]
    end

    subgraph Others["其他獨立開發者/組織"]
        O_KO["Kosmos (jimmc414)
532 ★"]
        O_CC["ChemCrow (EPFL + Rochester)
921 ★"]
        O_CT["celltype-agent (CellType Inc)
237 ★"]
        O_SA15["SciAgent-Skills (HITS)
193 ★"]
        O_BA["BioAgents (bio.xyz)
165 ★"]
        O_BK["knowledgebase-mcp (UKE Hamburg)
24 ★"]
    end

11.1 機構影響力比較

11.2 雙寡頭格局：Future House vs Zitnik Lab

關鍵觀察：Future House 和 Zitnik Lab 各自建構了「垂直整合」的生態系——從底層框架到頂層應用一手包辦。這意味著選擇其中一家的產品時，往往會自然地被吸引進其整個生態系。

12. 與 AIKT 19-Layer 整合路線圖 (Integration Roadmap)

AIKT (AI-Knowledge Template) 的 19-Layer 架構涵蓋了從知識擷取到專利生成的完整工作流。以下分析這 34 個 bio agent 專案如何對映到各 layer，以及具體的整合路徑。

graph TD
    subgraph AIKT["AIKT 19-Layer Architecture"]
        L1["Layer 1: ai-save
URL/文字存入"]
        L2["Layer 2: gh-save
GitHub 知識儲存"]
        L9["Layer 9: paper-search
學術論文檢索"]
        L10["Layer 10: paper-qa-lite
本地 RAG 問答"]
        L12["Layer 12: gh-tutorial-qd
GitHub 全套交付"]
        L15["Layer 15: paper-tutorial
N 篇 paper 整合教學"]
        L18["Layer 18: research-pipeline-v2
多管線研究工作流"]
        L19["Layer 19: tu-plan-generator
ToolUniverse 12 領域"]
    end

    subgraph BioProjects["Bio Agent 專案"]
        PQ["02 paper-qa"]
        TU["04 ToolUniverse"]
        TX["08 TxAgent"]
        BM["03 Biomni"]
        KO["11 Kosmos"]
        SAS["15 SciAgent-Skills"]
        MD["23 Medea"]
        CT["14 celltype-agent"]
        BSA["32 BiostatAgent"]
        BKM["29 knowledgebase-mcp"]
        RB["12 Robin"]
        PK["06 PrimeKG"]
        BDA["22 BioDiscoveryAgent"]
        AS["01 AI-Scientist"]
        VL["07 Virtual Lab"]
        BIS["26 bioinformatics-agent-skills"]
    end

    PQ -->|"直接替換/強化"| L10
    TU -->|"核心依賴 (已 vendored)"| L19
    TX -->|"reasoning layer"| L19
    BM -->|"通用 agent backbone"| L18
    KO -->|"自主研究引擎"| L18
    SAS -->|"skill 擴充"| L19
    MD -->|"omics 分析模組"| L18
    CT -->|"scRNA-seq 工具"| L18
    BSA -->|"統計分析 plugin"| L19
    BKM -->|"資料庫存取層"| L18
    RB -->|"藥物發現自動化"| L18
    PK -->|"KG 查詢"| L19
    BDA -->|"CRISPR 管線"| L18
    AS -->|"概念參考"| L18
    VL -->|"辯論機制參考"| L18
    BIS -->|"工作流規劃"| L18

12.1 整合路徑詳細規劃

P0 — 立即可做（已整合或一步之遙）

P1 — 近期規劃（高價值整合）

P2 — 中期目標（架構參考與模組整合）

P3 — 長期願景

13. 安全性與存取控制比較

13.1 授權模式

13.2 API Key 需求

13.3 執行隔離

14. 成本效益分析

14.1 Token 使用與成本估算

14.2 GPU 需求比較

14.3 成本效益象限圖

quadrantChart
    title 成本 vs 能力 象限圖
    x-axis 低成本 --> 高成本
    y-axis 低能力 --> 高能力
    quadrant-1 高能力 / 高成本
    quadrant-2 高能力 / 低成本
    quadrant-3 低能力 / 低成本
    quadrant-4 低能力 / 高成本
    AI-Scientist: [0.85, 0.95]
    AutoScientists: [0.75, 0.88]
    Virtual Lab: [0.65, 0.80]
    Kosmos: [0.55, 0.82]
    Biomni: [0.45, 0.85]
    Robin: [0.50, 0.75]
    TxAgent: [0.15, 0.82]
    paper-qa: [0.20, 0.78]
    celltype-agent: [0.25, 0.75]
    SciAgent-Skills: [0.10, 0.72]
    ChemCrow: [0.30, 0.60]
    knowledgebase-mcp: [0.05, 0.45]
    BiostatAgent: [0.08, 0.40]

關鍵洞察：TxAgent、paper-qa、SciAgent-Skills 是「高能力/低成本」象限的明星——它們提供了接近最高水準的能力，但成本遠低於完整的 AI Scientist 管線。這對資源有限的研究團隊特別有吸引力。

15. 學習曲線與上手難度分析

15.1 安裝難度比較

15.2 文件品質比較

16. 實際案例演練 (Walkthrough Examples)

以下展示三個具體的研究場景，說明如何使用不同的 bio agent 工具組合來解決實際問題。

16.1 案例一：BRCA1 基因與乳癌的靶點發現

研究問題：「BRCA1 基因突變在三陰性乳癌 (TNBC) 中有哪些可藥物化的靶點？需要文獻證據支持。」

推薦工具組合：knowledgebase-mcp + paper-qa + TxAgent

步驟流程：

flowchart TD
    Q["研究問題：BRCA1-TNBC 靶點發現"] --> S1["Step 1: knowledgebase-mcp
查詢 Open Targets"]
    S1 --> R1["取得 BRCA1 關聯靶點清單
+ 臨床證據等級"]
    R1 --> S2["Step 2: knowledgebase-mcp
查詢 UniProt + STRING"]
    S2 --> R2["BRCA1 蛋白質功能 +
交互作用網路 (PALB2, RAD51...)"]
    R2 --> S3["Step 3: paper-qa
文獻驗證"]
    S3 --> R3["PubMed 搜尋 50 篇相關論文
帶引文的證據摘要"]
    R3 --> S4["Step 4: TxAgent
藥物推理"]
    S4 --> R4["已知的 PARP 抑制劑
+ 新候選靶點建議 + DDI 檢查"]
    R4 --> REPORT["完整報告：靶點清單 +
文獻證據 + 藥物建議 + 風險"]

    style Q fill:#e1f5fe
    style REPORT fill:#e8f5e9

實際命令：

 1# Step 1: MCP 查詢 (Claude Code 內直接使用)
 2# Claude Code 自動呼叫 knowledgebase-mcp 的 search_targets tool
 3
 4# Step 2: 文獻驗證
 5pqa --paper-directory ./tnbc-papers ask \
 6  "What are the druggable targets downstream of BRCA1 in triple-negative breast cancer?"
 7
 8# Step 3: 藥物推理
 9python -c "
10from txagent import TxAgent
11agent = TxAgent(model_name='mims-harvard/TxAgent-T1-Llama-3.1-8B')
12agent.init_model()
13for r in agent.run_gradio_chat(
14    message='For a TNBC patient with BRCA1 mutation, what PARP inhibitors are approved and what are the drug interactions with carboplatin?',
15    history=[], temperature=0.3
16):
17    print(r)
18"

16.2 案例二：scRNA-seq 資料的細胞類型標註

研究問題：「我有一組來自小鼠肺組織的 scRNA-seq 資料（h5ad 格式），需要自動完成細胞類型標註並找出差異表達基因。」

推薦工具組合：celltype-agent (主) + SciAgent-Skills (補充) + BiostatAgent (統計)

步驟流程：

flowchart TD
    DATA["小鼠肺 scRNA-seq 資料
(h5ad 格式)"] --> S1["Step 1: celltype-agent
自動載入 + QC"]
    S1 --> R1["過濾低品質細胞
normalize + log1p + HVG"]
    R1 --> S2["Step 2: celltype-agent
降維 + 聚類"]
    S2 --> R2["UMAP + Leiden clustering
12 個 cluster"]
    R2 --> S3["Step 3: celltype-agent
細胞類型標註"]
    S3 --> R3["popV / CellTypist 標註
AT2, AT1, Macrophage, ..."]
    R3 --> S4["Step 4: SciAgent-Skills
差異表達分析"]
    S4 --> R4["DEG 清單 per cluster
+ volcano plot"]
    R4 --> S5["Step 5: BiostatAgent
統計驗證"]
    S5 --> REPORT["報告：細胞類型組成 +
DEG + pathway enrichment"]

    style DATA fill:#e1f5fe
    style REPORT fill:#e8f5e9

實際命令：

1# celltype-agent 一步到位
2ct ask "Analyze this scRNA-seq data from mouse lung tissue. \
3  Perform QC, clustering, cell type annotation, and DE analysis. \
4  Data file: ./data/mouse_lung.h5ad"

16.3 案例三：藥物重定位研究

研究問題：「調查 metformin (二甲雙胍) 在阿茲海默症 (AD) 中的潛在治療效果，需要跨多個資料庫的證據整合。」

推薦工具組合：Robin (主流程) + PrimeKG (知識基礎) + paper-qa (文獻) + knowledgebase-mcp (資料庫)

步驟流程：

flowchart TD
    Q["研究問題：Metformin 在 AD 的重定位潛力"] --> S1["Step 1: PrimeKG
查詢 metformin-AD 路徑"]
    S1 --> R1["Drug-Gene-Disease 路徑
AMPK → mTOR → Tau phosphorylation"]
    R1 --> S2["Step 2: knowledgebase-mcp
Open Targets + ClinicalTrials.gov"]
    S2 --> R2["3 個 Phase II/III 臨床試驗
+ genetic association score"]
    R2 --> S3["Step 3: paper-qa
系統性文獻回顧"]
    S3 --> R3["87 篇相關論文摘要
帶引文的正反證據"]
    R3 --> S4["Step 4: Robin 三階段
Stage 1: Assay 設計"]
    S4 --> R4["最佳實驗方案：
AMPK activation assay"]
    R4 --> S5["Stage 2: 候選物排序
(Bradley-Terry)"]
    S5 --> REPORT["完整報告：
GO/HOLD/NO-GO 建議"]

    style Q fill:#e1f5fe
    style REPORT fill:#e8f5e9

17. 場景推薦指南 (Use Case Recommendations)

17.1 場景一：Drug Discovery / Repositioning (藥物發現/重定位)

graph LR
    subgraph Recommended["推薦組合"]
        TU_R["ToolUniverse
ADMET + 靶點驗證"]
        TX_R["TxAgent
治療推理"]
        RB_R["Robin
候選物排序"]
        PK_R["PrimeKG
疾病-藥物-基因關係"]
        CC_R["ChemCrow
分子性質計算"]
    end
    TU_R --> TX_R
    TX_R --> RB_R
    PK_R -.->|"知識基礎"| TX_R
    CC_R -.->|"化學驗證"| TU_R

首選：TxAgent + ToolUniverse (92.1% 藥物推理準確率) 知識基礎：PrimeKG (17,080 種疾病 + 4M 條關係) 候選物排序：Robin (三階段 pipeline + Bradley-Terry 排序) 化學驗證：ChemCrow (17+ 化學工具 + RDKit + PubChem)

17.2 場景二：Single-Cell Analysis (單細胞分析)

首選：celltype-agent (190+ 工具, BixBench 90%) 補充：Biomni (scanpy 整合 + 18 子領域覆蓋) 知識注入：SciAgent-Skills (65 個 genomics skills) 統計分析：BiostatAgent (R 語言 tidy 工作流)

17.3 場景三：Protein Design (蛋白質設計)

首選：Virtual Lab (Nature 驗證的 nanobody 設計) 結構查詢：bio-agents-mcp (PDB MCP server) ADMET 預測：ToolUniverse (ADMET tool module) 文獻支持：paper-qa (蛋白質工程文獻 RAG)

17.4 場景四：Literature Review (文獻回顧)

首選：paper-qa (超人類準確度, 多模態支援) 論文搜索：SciAtlas (圖感知論文搜尋 + 研究趨勢追蹤) 知識圖譜：awesome-bioagent-papers (bio-agent 領域完整論文清單) 結合使用：Robin 的 Crow agent (大規模系統性文獻搜索)

17.5 場景五：Clinical Trial Analysis (臨床試驗分析)

首選：BiostatAgent (臨床試驗模擬 + power analysis + NMA) 資料查詢：knowledgebase-mcp (ClinicalTrials.gov + OpenFDA MCP) 治療推理：TxAgent (藥物交互作用 + 禁忌症檢查) 統計報告：BiostatAgent 的 r-tidy-modeling plugin

17.6 場景六：Knowledge Graph Construction (知識圖譜建構)

首選 (通用)：PrimeKG (20+ 資料來源, 10 節點類型, 29 邊類型) 首選 (進階)：OptimusKG (65 資料來源, 21.8M 邊, 150 屬性鍵) 論文 KG：SciAtlas (論文-作者-機構-引用關係圖) 探索介面：ark-agent-cli (自然語言 KG 探索)

17.7 場景七：General Biomedical Research (一般生醫研究)

全能型：Biomni (18 子領域, 150+ 工具, Stanford 出品) 自主研究：Kosmos (六 agent 研究循環, Docker sandbox) MCP 快速整合：knowledgebase-mcp + SciAgent-Skills + BiostatAgent

17.8 場景決策流程圖

flowchart TD
    START["你的研究需求是什麼?"] --> Q1{"需要自主
端到端研究?"}
    Q1 -->|"是"| Q1A{"偏向哪個領域?"}
    Q1A -->|"通用 ML"| R_AS["AI-Scientist
$15/篇自動論文"]
    Q1A -->|"通用科學"| R_KO["Kosmos
6 agent + Docker sandbox"]
    Q1A -->|"長時間多工"| R_AUS["AutoScientists
自組織 agent 團隊"]
    Q1 -->|"否"| Q2{"需要多 agent
協作辯論?"}
    Q2 -->|"是"| Q2A{"偏向什麼?"}
    Q2A -->|"蛋白質設計"| R_VL["Virtual Lab
Nature 驗證"]
    Q2A -->|"藥物發現"| R_RB["Robin
三階段 pipeline"]
    Q2A -->|"跨領域假說"| R_SAD["SciAgentsDiscovery
KG 路徑取樣"]
    Q2 -->|"否"| Q3{"需要什麼工具?"}
    Q3 -->|"藥物推理"| R_TX["TxAgent + ToolUniverse
92.1% 準確率"]
    Q3 -->|"化學計算"| R_CC["ChemCrow
17+ 化學工具"]
    Q3 -->|"單細胞分析"| R_CT["celltype-agent
190+ 工具"]
    Q3 -->|"文獻問答"| R_PQ["paper-qa
超人類準確度"]
    Q3 -->|"統計分析"| R_BSA["BiostatAgent
R 語言生物統計"]
    Q3 -->|"MCP 資料庫"| R_MCP["knowledgebase-mcp
17+ 資料庫"]
    Q3 -->|"生物影像"| R_BIA["bioimage-agent
napari MCP"]
    Q3 -->|"多組學治療"| R_MD["Medea
靶點鑑定 + SL"]

18. 未來趨勢分析 (Future Trends)

timeline
    title Bio Agent 發展時間線
    section 2023-2024 早期探索
        2023 Q4 : ChemCrow 論文發表
              : PrimeKG 發表於 Nature Sci Data
        2024 Q1-Q2 : paper-qa v1 成為文獻 RAG 標竿
              : LAB-Bench 生物學 benchmark 釋出
        2024 Q3 : AI-Scientist 震撼發表
              : SciAgentsDiscovery 發表於 Advanced Materials
    section 2025 快速成長
        2025 Q1 : TxAgent 以 8B 模型打敗 GPT-4o
              : Virtual Lab nanobody 設計登上 Nature
              : BixBench 定義計算生物學 agent 標準
        2025 Q2-Q3 : Aviary + ldp 建立 agent 訓練基礎設施
              : Robin 三階段藥物發現管線
              : knowledgebase-mcp 發表於 Nature Biotech
        2025 Q4 : ToolUniverse 提出 AI-Tool Interaction Protocol
              : MCP 協定快速普及
    section 2026 H1 爆發期
        2026 Q1-Q2 : Biomni 整合 150+ 工具成通用生醫 agent
              : AutoScientists 自組織 agent 團隊
              : Medea 多組學治療發現 agent
              : SciAgent-Skills 199 skills + BixBench 92%
              : celltype-agent BixBench 90%
              : OptimusKG 升級到 65 資料來源
    section 2026 H2 預期趨勢
        2026 Q3-Q4 : 預期 MCP 成為 bio agent 標準介面
              : 預期 agent-agent 通訊協定標準化
              : 預期 wet-lab 驗證成為標配要求
              : 預期 KG + multi-agent + MCP 三者融合

18.1 五大趨勢預測

趨勢一：MCP 成為事實標準 (MCP as De Facto Standard)

目前 34 個專案中有 8 個支援 MCP (ToolUniverse, SciAgent-Skills, bioinformatics-agent-skills, knowledgebase-mcp, bio-agents-mcp, BiostatAgent, bioimage-agent, celltype-agent)。隨著 Anthropic 持續推動 MCP 協定，預期 2026 年下半年會有更多專案加入 MCP 支援。這意味著未來不同 bio agent 之間可以透過 MCP 互相呼叫，形成更大的「agent 網路」。

趨勢二：從 GPT 優先到 Claude 優先 (Claude-First Shift)

早期專案 (ChemCrow 2023, AI-Scientist 2024) 主要依賴 GPT-4。但 2025-2026 年的新專案越來越多以 Claude Code 為核心 (AutoScientists, celltype-agent, SciAgent-Skills, BiostatAgent)，反映了 Claude 在 agentic coding 場景中的競爭力。TxAgent 則選擇自訓練 8B 模型，走出第三條路。

趨勢三：Benchmark 驅動的品質提升 (Benchmark-Driven Quality)

BixBench 已成為 bio agent 的「高考」——SciAgent-Skills 標榜 92%、celltype-agent 標榜 90%。這種 benchmark-driven development (基準測試驅動開發) 模式正在推動整個生態系的品質提升。預期未來會出現更多領域特定的 benchmark。

趨勢四：自組織多 Agent 系統 (Self-Organizing Multi-Agent Systems)

AutoScientists 代表了從「中央編排」到「去中心化自組織」的架構轉變。agent 不再需要一個中央 orchestrator (編排器) 來分配任務，而是能自發形成團隊、互相批評、共享知識。這個趨勢預期會在長時間運行的研究任務中越來越重要。

趨勢五：Wet-Lab 驗證成為必要條件 (Wet-Lab Validation as Requirement)

Virtual Lab 的 nanobody 設計登上 Nature、BioDiscoveryAgent 在真實 CRISPR screen 上驗證——越來越多專案不再滿足於「in silico (矽中; 計算模擬) 表現好」，而是追求 wet-lab (濕實驗室) 驗證。這個趨勢將把 bio agent 從「概念驗證」推向「實際應用」。

18.2 技術融合趨勢

flowchart LR
    subgraph Current["2026 H1 現狀"]
        KG_NOW["KG (PrimeKG)"]
        MA_NOW["Multi-Agent (Virtual Lab)"]
        MCP_NOW["MCP (knowledgebase-mcp)"]
        LLM_NOW["Self-trained LLM (TxAgent)"]
    end

    subgraph Future["2026 H2 - 2027 預期"]
        UNIFIED["統一框架：
KG-grounded
Multi-Agent
MCP-native
+ 自訓練模型"]
    end

    KG_NOW --> UNIFIED
    MA_NOW --> UNIFIED
    MCP_NOW --> UNIFIED
    LLM_NOW --> UNIFIED

    UNIFIED --> WET["Wet-Lab
驗證迴圈"]
    WET -->|"實驗結果
回饋 KG"| UNIFIED

19. 結論與建議 (Conclusions & Recommendations)

19.1 核心發現

1. 生態系已形成清晰的分層結構：從 MCP 橋接層 → 工具提供者 → 多代理平台 → AI 科學家框架，每一層都有明確的角色分工。34 個專案不是競爭關係，而是互補關係。

2. 兩大垂直整合生態系主導市場：Future House (paper-qa 為核心，向上延伸到 Robin) 和 Zitnik Lab (ToolUniverse 為核心，向上延伸到 TxAgent/AutoScientists)。選擇其中一家的入口產品，往往會自然被吸引進整個生態系。

3. MCP 是最務實的整合起點：對於已有 Claude Code 工作流的團隊，MCP-native 專案 (knowledgebase-mcp, BiostatAgent, bioinformatics-agent-skills) 提供了最低摩擦的整合路徑——不需要改變現有架構，只需加入 MCP server 設定。

4. 自訓練小模型的崛起：TxAgent 用 8B 模型打敗 GPT-4o (92.1% vs 66.3%)、Biomni 訓練了 32B 的 Biomni-R0——這證明了在特定領域，小而精的模型可以超越通用大模型。

5. Benchmark 正在標準化品質評估：BixBench (計算生物學) + LAB-Bench (生物學研究) + SciAgentGYM (多步驟工具使用) 三者已形成較完整的評估體系。新專案應以這些 benchmark 作為品質門檻。

6. Domain knowledge injection 效果驚人：SciAgent-Skills 僅用 Markdown 文件注入領域知識，就將 Claude Code 在 BixBench 上的表現從 65.3% 提升到 92.0%。這說明不一定需要複雜的架構——有時候，好的 prompt 和結構化的知識注入就足夠了。

7. 知識圖譜正在快速迭代：從 PrimeKG (4M 邊) 到 OptimusKG (21.8M 邊)，再加上 PaperQA3 的自動驗證機制，KG 的品質和覆蓋率都在大幅提升。這為 graph-based reasoning 提供了越來越堅實的基礎。

8. Wet-lab 驗證從加分項變成必要條件：Virtual Lab (Nature)、BioDiscoveryAgent (CRISPR screen) 已經樹立了標竿——未來只有 in silico 結果可能不再足夠。

19.2 針對 AIKT 使用者的具體建議

立即可做 (P0)：

• 將 knowledgebase-mcp 加入 Claude Code MCP 設定，獲得 17+ 生物醫學資料庫的即時存取能力（30 分鐘）
• 評估 SciAgent-Skills 的 199 個 skill，挑選與 tu-plan-generator 不重複的加入 Layer 19（3 天）

近期規劃 (P1)：

• 將 BiostatAgent 整合為 Layer 19 的統計分析子模組，補足 R 語言能力缺口（2 天）
• 升級 paper-qa-lite 到 PaperQA2 最新版，獲得多模態支援與更高準確度（1 天）
• 將 celltype-agent 包裝為 scRNA-seq 子管線（2 天）

中期目標 (P2)：

• 參考 Biomni 的 tool dispatch 機制，改進 research-pipeline-v2 的工具路由邏輯
• 參考 Virtual Lab 的多 agent 辯論機制，強化 brainstorming 階段的品質
• 參考 Robin 的三階段 drug repurposing 流程

長期願景 (P3)：

• 參考 AutoScientists 的自組織架構，探索跨 session 長時間研究的 agent 協作模式
• 評估 Kosmos 作為 research-pipeline-v2 的替代/補充引擎
• 升級 PrimeKG 到 OptimusKG，獲得 5 倍的知識覆蓋率

19.3 最終建議

Bio agent 生態系正處於從「各自為戰」到「互聯互通」的轉折點。MCP 協定、標準化 benchmark、以及垂直整合的研究生態系正在降低整合門檻。對於 AIKT 的使用者而言，最務實的策略是：

以 MCP 為入口、以 ToolUniverse 為工具基礎、以 paper-qa 為知識引擎、以 BixBench 為品質標準——在這四個錨點之上，逐步整合更多專業領域的 bio agent 工具。

選擇的優先序應該是：

1. 先擴展能力覆蓋（加入 knowledgebase-mcp、SciAgent-Skills、BiostatAgent）
2. 再提升推理品質（參考 Biomni 的 ToolRetriever、Virtual Lab 的辯論機制）
3. 最後追求自動化（參考 Kosmos / AutoScientists 的端到端研究循環）

每一步都建立在前一步的基礎之上，確保每次整合都有即時可見的價值，而不是一次性投入大量資源在尚未成熟的端到端自動化系統上。

附錄 A：34 專案快速參考卡

以下是每個專案的一句話摘要，方便快速查閱：

附錄 B：術語對照表

本文統計：19 個主要章節 + 2 個附錄，34 個 Mermaid 圖表，34 個專案的全面比較。 版本：v2.0（擴充版） 最後更新：2026-06-08