“生物医药界的小龙虾”登场? 清华AIR联合水木分子发布OpenBioMed Skills

生物医药界专家可以通过飞书、钉钉、微信远程指挥他们的“ 小龙虾”?

——清华AIR联合水木分子发布OpenBioMed Skills , 生物医药Agent终于能 "端到端"干活了?

近日,清华大学智能产业研究院与水木分子联合发布了OpenBioMed Skills，这是全球首个将生物医药专家决策流程完整编码为可执行代码的Agent Skill。

OpenBioMed Skills首批包含了45项精心开发的专业技能，让研究人员即使没有深厚工程背景，也能搭建并运行覆盖生物医学研发全流程的端到端工作流。

首批45个精选技能分为5大类，覆盖生物化学/药物研发、蛋白质分析与设计、单细胞组学分析,同时也提供数据检索、工具调用等辅助技能。

为了让研发人员和行业学者能更简单的使用这套SKill，OpenBioMed Skills已经被部署到了OpenBioMed平台，这样能直接调用PharMolixFM、BioMedGPT-R1、MutaPLM等多模态模型，对比使用ChatGPT等通用模型，能够提供更好的专业知识理解能力。而且,专家通过飞书、钉钉、微信可以远程指挥他们的生物医药Agent了。

OpenBioMed Skills的相关代码已经在GitHub上开源:

https://github.com/PharMolix/OpenBioMed

清华大学万国数据教授、清华大学智能产业研究院（AIR）首席研究员、水木分子首席科学家聂再清教授表示：“生物医药与人工智能的深度融合，正重构药物研发的底层逻辑与产业范式。从提出第四代药物研发范式，到打造OpenBioMed 开源开发平台，再到推出BioMed Skills 专业药研 AI 技能集，我们始终以‘降低生命科学和生物医药的开发门槛、以大模型赋能科研创新’为核心，将专家知识与决策模型系统化转化为可复用的智能工作流，让自然语言调用药研业务流程成为现实。这不仅让生物医药科研工作者能更高效地打造专属智能体，更能推动药研领域从‘依赖专家经验’向‘智能协同创新’跨越。我们坚信，当 AI 技术真正成为科研工作者的通用工具，生物医药科研的奇点时刻必将加速到来，为新药研发、生命科学探索带来全新的可能性。”

· OpenBioMed全面升级, 继续科研流程自动化

作为在全球大模型与生成式 AI 以及生命科学研究领域的前沿创新公司, 水木分子一直致力于研发生物医药多模态大模型与智能体。2025年联合清华大学AIR推出专业药研智能体开源开发平台OpenBioMed。

OpenBioMed这次升级的并不仅仅是那45个Skills本身。而是它在回答一个更本质的问题——当模型已经很多，科研接下来该如何被重新组织？

过去，科学家和研发工程师习惯把AI看成一个“更聪明的预测工具”——做结构预测、做分子生成、做单细胞分析。

但现在，这些能力，开始被拆解、被封装、被标准化，变成可以被调用的“技能”。而科研，也开始从“一个一个模型叠加”，变成一个可以被自动组合和执行的流程系统。从这个角度看，OpenBioMed更像一个信号。AI在生物领域的竞争，正在从“谁的模型更强”，转向“谁能把科研流程真正自动化”。

· 为什么做OpenBioMed Skills ?

过去两年，AI Agent能力突飞猛进，越来越多的科研团队开始尝试让 Agent 自动执行复杂的研究流程。纵观市面上一些通用的科学Skill，有的已经提供上百个覆盖各领域的技能。但它们本质上在做同一件事——把工具的使用文档，整理成 Agent 可以读懂的格式。这对通用任务已经足够，但在生物医药研发场景里，还远远不够。

在研发立项之前，这个项目研发人员经过了充分的思考，认为OpenBioMed Skills要解决的核心任务是把生物医药研究中"只能依赖专家经验"的环节，变成可执行、可复用的Skills,并形成工作流。在一定程度上形成“科研能力平权”，那就需要Skills具备以下能力:

1、把分散在学术期刊、工具文档、专家头脑中的知识，系统性地沉淀为可共享、可迭代的 Skill 技能库。

2、为了让Skills真正助力实际研究、解决问题，而不是大规模低效消耗Token、做无用功，OpenBioMed Skills聚焦于长线工作流设计，实现多工具协作、端到端执行、支持用户实时反馈调整，而非简单地撰写”工具使用手册“。

OpenBioMed Skills基于 OpenBioMed生命科学与药物研发智能体开源平台智能体平台构建，AI Agent 具“实操能力”，可执行45余项专业技能。

2026年，由清华AIR与水木分子联合开发并开源的OpenBioMed进行了战略升级，进一步与ChatDD专业药研智能助手框架和自然语言技术融合。科研人员无需深厚编程功底，通过自然语言与 OpenBioMed对话，即可搭建并运行端到端的工作流，高效完成生命科学和药物研发相关的Skill设计、药研工具调用、业务流程执行与验证等复杂任务。

· OpenBioMed Skills 的案例展示

基于生命科学、生物医药、AI4Science的高频需求和真实场景, Agent端到端工作, 助力产业价值落地。致力于让生物医药与生命科学的研发人员和决策者在更复杂的业务工作流中创新:

展开看看OpenBioMed Skills首发涉及的五大场景: 

场景一：给定靶点的口袋-分子设计

靶点名称→ PDB检索与下载 → 口袋提取 → MolCraft给定靶点分子生成 → 多样性过滤 → ADMET评估 → 对接打分 → 分子-口袋结合界面分析 → 可视化与报告撰写

在这个基于靶点设计先导化合物的案例中，用户只需指定靶点名称、需要生成的化合物数量、筛选准则，AI智能体会自动执行工作流并与OpenBioMed工具集交互，最终生成一个包含化合物结构、可视化与性质分析的详细报告，全程无需用户介入。

场景二：自然语言驱动的功能蛋白设计

自然语言描述功能→ 翻译为标准化功能标签→ DPLM-2生成序列 → ESMFold预测结构→ DeepGO验证 → PyMOL可视化

在这个功能蛋白设计的案例中，用户只需要用自然语言描述想要的蛋白质功能和需要生成的数量，AI智能体会自动执行工作流并与OpenBioMed工具集交互，最终得到蛋白质的序列、结构和性质分析，同样全程无需用户介入。

场景三：逆合成规划

目标分子→ AiZynthFinder + 专家经验 → 原料可购买性验证 → 完整合成路线，支持人机协作与全自动双模式

本场景以目标分子为起点，结合 AiZynthFinder 与专家经验进行路线设计，并完成原料可购买性验证，最终生成完整合成路线。该合成路线生成流程同时支持

人机协作与全自动两种运行模式。

场景四：单细胞注释

单细胞RNA测序数据→ LangCell零样本推理 → 自动识别罕见细胞类型（无需训练数据，目前唯一实现零样本细胞身份理解的模型）

以单细胞 RNA 测序数据为输入，通过 LangCell 进行零样本推理，可自动识别罕见细胞类型。该模型无需训练数据，是目前唯一能够实现零样本细胞身份理解

的模型。

场景五：药研AI元技能开发

药研AI元技能是指创造Skills的Skills ,正在不断升级,这是重要创新之一

OpenBioMed平台上，采用OpenBioMed Skill Creator，运用自然语言对话的方式，可生成研究人员专属的Agent 和工作流。

· OpenBiomed Skills为什么能解决问题

领域专家深度参与OpenBioMed-Skill-Creator

OpenBioMed Skills 代表了生物医药 AI 从"工具可用"向"专家能力可复用"的范式转变。与普通智能体全自动执行不同,其采用的OpenBioMed Skill Creator引入了人机交互的协作模式, 其目的是将专家知识和专家决策集成到AI技能中,创建“专家大脑的数字分身”, 从而提升智能体技能的实用价值, 大幅降低了科研工作的AI开发需求。

完整工作流-可设计、端到端可执行

现有 Skill 库通常只回答"这个工具怎么调"，而 OpenBioMed 的每个 Skill 都内置了端到端的决策链。

传统的基于口袋的药物设计，需要手动串联7-8个工具——从 PDB 结构获取、口袋提取、分子生成、多样性过滤、性质评估到对接打分……

Pocket-based-drug-design Skill（基于口袋的药物设计技能）可在一个工作流内完成，且每一步都具备明确的流程交接（Handoff）逻辑。这并非简单的工具封装，而是完整科研流程的自动化编排，研究人员只需描述目标，即可获得带解读的结果。

Expert in Loop 去监督和容错,以实现专业解读和智能容错:

专业解读

所有工作流的构建过程中涉及的技术操作和执行，都是由 Agent “代劳”，专家只需要看结果、给建议。

通用 Skill 库输出原始数值即结束，而OpenBioMed Skills 内置了领域解读框架。

ESMFold 的 pLDDT=72意味着什么、ADMET 预测值在 FDA 评审语境下如何判断、Tanimoto 相似度阈值如何影响先导化合物选择，这些原本需要领域专家凭经验判断的内容，被系统性地编码进了 Skill 的输出逻辑。

智能容错

当模型检查点缺失、候选结果多样性不足或网络超时时, OpenBioMed Skills 不是简单报错，而是触发预设的降级策略，自动切换备用模型、触发补充生成并调用网络搜索作为备选方案( Fallback)，以此确保科研流程的连续性，而非中断等待人工介入。

OpenBioMed Skills以及平台注重AI数据安全与伦理规范: 

值得一提的是，OpenBioMed Skills 要进行本地化部署, 须基于强大的本地化大模型。在未来“ To B” 商业模式下, 部署OpenBioMed Skills &System 可支持完全本地化部署，这是其区别于云端 API 服务的核心优势之一。

对于生物医药研发机构而言，实验数据、患者信息、候选化合物结构等均为高度敏感资产，涉及商业机密与合规要求。通过本地部署，所有数据处理和模型推理均在用户私有环境中完成，数据无需上传至任何外部服务器，从根本上杜绝了数据泄露风险。无论是制药企业的先导化合物库、医院的患者基因组数据，还是科研机构的未发表实验结果，都可以在确保完全可控的安全边界内，享受 SOTA AI 模型的分析能力。

· 如何快速开始

1、通过 git clone 克隆项目仓库，并按照 installation guide 完成环境配置（该步骤可直接借助 claw 或 claude code 代劳）

2、将 skills 文件夹拷贝至～/.claude/skills 目录下；

3、在 OpenBioMed 目录下运行 claude，即可通过 /${skill_name} 的形式调用对应 skill。

此外, 也能接入Open Claw,支持部分Skills 运行。

· 这个AI 从"0代码拖拉拽工具"变成了能通过自然语言交互执行科研任务的"伙伴"!

来Github 下载试用, 让生态共同打造生物医药版钢铁侠!

这是一个开始! OpenBioMed Skills已在GitHub开源。协议链接是: https://github.com/PharMolix/OpenBioMed 。 在这个平台, 还欢迎研发者贡献自己的 Skills。希望通过这个开源项目，让最前沿的生物医药 AI 成为每位科研工作者触手可及的基础设施!

附件: 

OpenBioMed Skills首先公布的45个 Skills 涉及5大类：

与市面 Skill 库的区别：