力文所发布Lévin™ Harness，构建AI蛋白设计闭环
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载一个工作区装下全流程
力文所推出的Lévin™ Harness面向科研社区开放使用，其核心做法是把数据、模型、插件、算力与工作流收进同一个Agent工作区。研究人员负责定义目标、方法与关键决策，Agent则承担推进计算和调整方案的工作。用户用自然语言描述需求，由通用大模型理解意图并规划步骤。通用模型层保持开放，不绑定某一特定模型，DeepSeek、Kimi、GLM、Qwen、小米MiMo等都在可接入之列。新的模型与科学能力以插件形式加入，用户也能为自己的模型制作专属插件。跑通的研究方法可以沉淀为Workflow，供后续重复运行和修改。这一结构把原本分散在多个环节的要素集中到同一处，减少了在工具之间来回切换的成本。
模型与工具按意图调度
在计算层面，科学模型和分析工具负责蛋白质结构预测、序列设计等任务。以蛋白binder设计为例，Agent会参与靶点调研，并辅助分析结合位置；它会按任务意图自行选择AlphaFold、ProteinMPNN、Pallatom、RFantibody等工具。难点在于不同模型的输入输出与运行环境并不一致，需要处理文件与参数之间的衔接，这部分工作由Agent承担。工作区还内置三维分子可视化工具，分子结构信息可以转为Agent的上下文，使Agent能理解对话中“这里”这类模糊词所指的具体空间位置。对不懂程序的科研人员而言，这意味着可以在对话式环境中完成蛋白质设计，而不必先跨过工具配置与参数调试的门槛。
与已有科学Agent的差别
今年4月OpenAI推出GPT-Rosalind，6月Anthropic发布Claude Science，8月Anthropic又公布Agent参与蛋白质设计并衔接外部实验验证的研究。相比之下，Lévin™ Harness的着力点在于模型层的开放与可替换：不把能力锁在单一模型上，而是让新模型和新科学能力通过插件进入同一工作区。用户既可以使用已有的通用模型，也可以为自己的模型编写插件接入。研究方法一旦跑通，便以Workflow的形式留存，便于重复运行与修改，而不是每次从零搭建流程。这种组合把模型选择权交给使用者，同时把流程的复用性放在显眼位置。
适用边界与使用门槛
从适用范围看，这套工作区面向科研场景中的计算任务，尤其是蛋白质结构预测、序列设计以及分子结构的查看与讨论。它的限制也来自同一处：Agent推进计算依赖所接入的科学模型与工具，不同模型的输入输出和运行环境差异需要逐一衔接，插件与Workflow的质量直接影响结果能否复现。对读者而言，值得关注的是科研软件的组织方式正在从单点工具转向以Agent为中枢的工作区——自然语言成为入口，模型与工具在后台按意图被调度，而方法本身可以被保存下来反复使用。
为什么值得看
实现了从想法到结果的端到端蛋白设计，补齐科研闭环。
信源1 家
关键事实
相关 · 产品
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。