生信 Agent 开始落地

从 scAgent 到 OmicVerse，今天新冒出来的生信 Agent 工作流，已经不只是“帮你聊两句”了

今天这篇不按周报写，也不想再重复“AI 正在改变科研”那类话。更值得写的，是 2026-03-22 这一天能看到的几个新信号：生信里的 Agent，开始不再满足于解释概念、补几段代码、顺手查两篇论文，它们正在往真正的执行层靠近。换句话说，这些系统不只是会说话的界面，而是开始尝试接数据、调工具、跑标准步骤、吐中间结果，再把人留在真正关键的复核点上。这个变化听起来有点抽象，但如果你把它摊开看，就会发现它对应着一个很具体的迁移：过去很多分析是“人先打开 notebook，再决定做什么”；现在有些入口开始变成“先把任务和数据交给系统，系统先把标准动作跑起来，人再决定结论是否成立”。

今天看到的这些东西，更像一种结构性变化的早期样本，而不是几条零散热点。因为一旦入口变了，后面的组织方式、参数管理、人工审核、结果交接，都会跟着变。用一个尽量朴素的表达来说，以前很多分析默认的路径大致是

1	数据 -> notebook -> 命令 -> 图和表 -> 人解释结果

现在开始出现的另一条路径更像是

1	数据 + 任务 -> agent -> 工具调用 -> 中间结果 -> 人工复核 -> 结论

这两条路径的差别，不在于“有没有 AI”，而在于工具调用是否真正接入了 workflow。顺着这条线往下看，今天最值得展开的有三个对象：一个是今天新建并持续更新的 scAgent，一个是今天有实质更新的 OmicVerse / J.A.R.V.I.S.，最后再补一个观察位 Tula。文末，再把昨天周报里漏掉、但今天必须补一句的几个点收在附录里。

先看 scAgent。它面向的数据对象是 .h5ad，说明它盯住的是一个非常具体的分析上下文。更关键的是，它把处理流程拆成了三个阶段：decide -> investigate -> respond。翻译成人话就是：先判断用户到底要干什么，再调起合适的分析动作，最后把结果和下一步建议回给用户。这个拆法看起来简单，但它确实在把单细胞的标准动作变成一个可编排的流程。如果把它写成最实用的形式，大概可以理解成下面这个伪代码：

input_data = h5ad_file
task = user_request  # QC / clustering / marker / recluster / export

plan = agent.decide(task, input_data)
intermediate = agent.investigate(plan, input_data)
result = agent.respond(intermediate)

human_review(result)

真正值得看的是这段伪代码背后隐含的分析组织方式。输入不再是一句模糊的“帮我看看这个数据”，而是一个可计算对象 .h5ad 加一个较明确的任务；中间步骤不再全靠人手工决定先 PCA 还是先 neighbors，先 UMAP 还是先 subset，而是由系统先给出动作顺序；输出也不只是“这里可能有几个 cluster”，而是包括 QC、降维、聚类、marker、导出对象这些能被继续接下去的结果；最后结论并没有被自动化，而是明确落回人工审核。也就是说，它最有价值的地方，不是“它会不会替你解释生物学意义”，而是它开始把单细胞里那些高度重复、可以标准化的动作先做掉。这里有一个我认为可以直接写进未来判断框架里的式子：

$$
\text{可用的 Agent 输出} = \text{标准步骤可执行} \times \text{中间结果可见} \times \text{人工复核可插入}
$$

如果这三项有一项缺失，系统就很容易重新退回“看起来聪明，但难以交付”的聊天工具。scAgent 今天最值得写，恰恰因为它至少在结构上朝这三个条件同时靠拢了。

这也解释了为什么它比“让大模型帮你写一段 Scanpy 代码”更值得关注。后者当然有用，但本质上仍然是代码辅助；你拿到代码以后，仍然要自己决定先做什么、后做什么、图对不对、参数是否合理。scAgent 则在尝试把这些“先做什么”的判断前置进系统。说得再直接一点，代码辅助只是把分析写出来，agent workflow 开始尝试把分析跑起来。它不等于自动得到结论，更不等于你可以不看 marker 就下生物学解释，但它确实意味着单细胞的一个新入口正在长出来：也许未来很多用户的第一步不是打开 notebook，而是先把数据和任务交进去，让系统先跑完第一轮标准动作，再由人决定往哪里深挖。

如果说 scAgent 更像一个刚长出来的新入口，那今天同样值得写的 OmicVerse / J.A.R.V.I.S. 则代表另一种更成熟的方向：不是新建一个对话壳，而是把多组学分析里的工具层和消息入口层组织起来。它今天的意义不在于“又更新了一个版本号”，而在于 2026-03-22 这次更新继续补强了一条已经很清楚的路线：让 omics 工具通过 agent workflow 和 MCP 风格的方式暴露出去，让用户不是只对着聊天窗口提问，而是真正让系统去调分析能力。

这条路线为什么重要？因为生信里最难扩展的，往往不是“我能不能把一个步骤写出来”，而是“我能不能把一个步骤稳定地交给别的入口调用”。如果一个系统只是会回答“肺部 scRNA-seq 可以这样注释”，那它仍停留在建议层；但如果它能把 annotate lung scrna-seq 这种任务落到具体工具链上，把标准动作调起来，把结果回传给用户，再允许人继续接管，那么它才真正进入 workflow 层。OmicVerse / J.A.R.V.I.S. 今天给人的感觉，恰恰是后者。它不像 scAgent 那样聚焦单一场景，而更像在搭一个可以让多组学任务被持续调用的底座。换句话说，scAgent 更像一个“新入口”，而 OmicVerse / J.A.R.V.I.S. 更像一个“底层操作层”。用一个同样尽量简洁的伪代码来表达，它做的事情更像是：

task = user_request  # "annotate lung scrna-seq" / "run DEG + GSEA" / "spatial deconvolution"

tool_plan = agent.route(task)            # 决定用哪些工具、什么顺序
result = tool_layer.execute(tool_plan)   # 执行工具调用
output = agent.summarize(result)         # 整理为可交接输出

human_review(output)

如果也用输入—步骤—输出—校验的方式来拆它，可以这样理解。输入是一个明确的 omics 任务，比如你要做一个 lung scRNA-seq 的注释，或者要跑一个 bulk RNA-seq / spatial / multi-omics 的标准分析。系统拿到任务以后，不是停在“建议你这么做”，而是路由到后面的工具调用层，调用具体分析工具，执行流程，再把结果通过界面或者消息端回传出来。输出不是一段聊天记录，而是注释结果、图、workflow 产物、后续建议这些真正能继续向下走的东西。最后的校验也很关键：到底调用了什么工具、参数是否清楚、流程是否可复现、结果能不能交给人继续解释。如果这些问题回答不清楚，系统就还是一个高配聊天工具；如果回答得清楚，它才更像生信工作流的一部分。

因此，今天 OmicVerse / J.A.R.V.I.S. 最值得看的，不是“AI 也能管多组学了”这种空洞判断，而是一个更具体的转变：AI 在生信里开始从 chat 入口，变成标准化工具调用层。这种变化会直接影响团队怎么组织分析动作。过去很多团队的痛点是，流程藏在某几个人的 notebook、脚本目录、环境配置和个人习惯里；而一旦有标准化调用层，至少那些重复出现的分析动作开始可以被描述、被调起、被追踪、被交接。对真正做项目的人来说，这种变化比“它今天又会了一个新概念”重要得多。

Tula 更适合放在今天的观察位。它也是 2026-03-22 当天出现的项目，而且 topic 明显往 genomics、EHR、FHIR、biomarkers、oncology 这些 health/genomics 方向靠，但目前公开细节太少，不足以支撑一整节“它到底怎么用”。这恰好说明一件事：不是每个今天新出现的 repo 都值得立刻写成主角。真正适合放进正文核心段落的，不是“方向看起来很对”，而是“已经长出了足够清楚的使用结构”。从这个意义上讲，今天把 Tula 放在观察位，本身就是一种更严格的筛选。

如果把今天这几个东西并排看，真正变的其实不是某个模型的参数，而是生信工作流里最靠前的几层。第一层变化是数据入口在变。以前很多分析的第一步，是研究者自己打开环境、读对象、手工决定下一步；现在开始有系统尝试把“任务定义 + 数据接入”变成入口。第二层变化是标准分析动作在被封装。PCA、neighbors、UMAP、clustering、marker、annotation 这些过去属于命令级的动作，正在被往技能层、工具层、workflow 层推。第三层变化是人的位置在后移，但责任没有变轻。人不再需要从第一步就手工点每一个动作，但必须在任务边界、参数合理性、中间结果是否可接受、最终结论是否过度推断这些地方继续把关。也就是说，Agent 并不是替你做结论，而是先把标准动作做完，把人留在真正的判断点上。最稳妥的姿势不是“把人拿掉”，而是四步：人定义边界，agent 跑标准动作，人检查中间结果，人决定是否继续推进。写起来很朴素，但几乎可以当成生信 Agent 落地的默认模板。

文末再补三句昨天漏掉、但今天最好写清楚的热点。第一句是小米 MiMo-V2-Pro：更值得注意的，不是它之前能不能试，而是官方这周第一次把测试版本、正式发布和 API 开放这几层状态说清楚了，这直接影响外界对它成熟度的判断。第二句是腾讯混元 T1 正式版：真正值得记的是 preview 到正式版这个阶段变化，因为它对应的是更明确的产品承诺、接口稳定性和生态信号。第三句是 Trivy GitHub Actions 供应链事件：这看起来像安全圈的事，但对用 GitHub Actions 跑 nightly pipeline、数据更新、容器构建的科研团队一样是硬风险；如果工作流里还在只 pin tag，不 pin commit SHA，那这次事件就不是旁观新闻，而是该立刻回去排查的基线问题。把这三条补进来，不是为了把文末变成新闻杂烩，而是因为它们都对应着一个现实问题：工具到底有没有进入可交付、可托管、可持续维护的阶段。

所以，今天这篇文章真正想说的，绝不是“AI 又进步了”。更准确一点说，今天最值得看的，是生信里有几条非常具体的线索开始同时指向同一个方向：分析入口在变化，工具调用在标准化，workflow 在从人脑里的隐性经验变成可执行的显性结构。真正决定下一阶段差距的，可能也不是谁更会聊天，而是谁先把那些本来就重复、可检查、可交接的生信动作，做成了稳定的 Agent workflow。