卡住AI的是什么：Anthropic用120个真实病毒检索任务为生物学中的智能体铺平道路
编辑丨&
人类似乎已经习惯于 AI 带来的突破：预测蛋白结构、设计抗体、发现药物分子、分析基因组数据。似乎只要模型再强一点，实验室里的许多工作都能被自动化。
那么新的问题由此诞生。
如果未来的 AI 不再只是回答问题，而是像研究员一样自己查数据库、整理数据、运行分析流程、提出假设并验证结果，那么生物学是否已经准备好了迎接这样的「scientific agents 」？
2026 年 6 月 8 日，Anthropic 的「Paving the way for agents in biology」文章中对此问题进行了深入思考。他们认为，很多时候，真正的瓶颈藏在更底层的地方——数据库、检索系统，以及那些几十年来为人类研究者设计、却从未为 AI 设计过的生物信息学基础设施。
为了验证这一点，研究团队让多个当前最先进的 AI 系统完成真实病毒学研究中的数据检索任务。结果显示，即使面对完全相同的问题，不同运行之间得到的数据集也可能相差数十倍；而这种差异最终足以改变疾病传播分析、进化树重建甚至药物评估的结论。
原文链接：https://www.anthropic.com/research/agents-in-biology
案例研究：病毒学
软件世界像是为汽车修过的道路，版本控制、标准化 API、包管理器这些东西，天然就是给机器和自动化流程准备的；而生物数据库则过于难用。毕竟人类不能期望机器理解生物。
为了把这件事说得更实，团队做了一个名叫 VirBench 的基准，里面有 120 个人工核对的病毒序列查询，覆盖 40 种病原体，任务来自真实 virology 工作流，包括监测、诊断试剂设计和训练数据构建。
图 1:VirBench 各分类体系中代理的性能和故障模式。
每道题最多带 16 个过滤条件，既有宿主、地理位置、日期范围、序列长度、完整性，也有分段病毒、疫苗株状态这些更细的约束；为了让结果可复现，大多数题还加了最大发布日期限制。
这些题目反映了病毒监测、诊断检测设计和蛋白质模型训练数据构建中出现的任务，以测试最先进的科学研究学员（如 Claude Sonnet 4、Claude Opus 4.7、Biomni OSS、Edison Analysis、GPT）在利用现有基础设施从病毒中检索病毒序列时的能力。
Anthropic 选了一个「细节决定生死」的例子：2014 年 West African Ebolavirus（埃博拉病毒） outbreak 的序列检索。对同一个查询，尽管每次的提示都相同，但 Claude Sonnet 4 三次运行却分别返回了 106、15 和 5 条序列，而期望值是 266。
这种波动足以把下游分析彻底带偏：人工整理的数据能恢复出 2014 年 1 月的 TMRCA，和既有报告一致；但模型生成的数据集却能把推断时间推到 1922 年，或者因为漏掉 Guinea 的样本，把时间改写成 2014 年 4 月。
图 2：利用 Delphy 推断出 2014 年西非疫情中的埃博拉病毒系统发育树。第 1 至 3 次由 Sonnet 4 生成。
同样的脆弱性也会打到治疗分析上。文章拿埃博拉病毒糖蛋白的变异分析做了另一个例子：如果序列检索不稳，突变分布就会在不同运行里给出三种不同印象。对公共卫生和治疗决策来说，这不是「结果有点不一样」，而是会直接影响「病毒从哪儿来」「诊断还能不能用」「现有治疗还能不能顶住」这三个问题。
图 3：现有埃博拉病毒糖蛋白上的突变（红色）。第 1 至 3 次由 Sonnet 4 生成。
gget 病毒
于是研究团队和 NCBI 合作做了 gget 病毒。它把 NCBI Virus 网页里那些原本只存在于界面逻辑中的过滤规则，正式化成一个可脚本化、可复现的命令行和 Python 工具。
它会协调 REST、Datasets 和 E-utilities，决定哪些过滤能直接在远端做，哪些必须本地补做；它会处理分页和批量下载，避免像 SARS-CoV-2 或 Influenza A 这种大结果集被半路截断；当某些筛选依赖 GenBank 中的额外信息时，它还会把这些记录拉回来一起判断。最后，输出的不只是结果，还有能让人和机器都复查的日志。
图 4：VirBench 基准测试中的 AI 智能体性能，无论是否携带 gget 病毒。
当赋予智能体访问 gget 病毒的权限时，所有智能体的准确率都超过了 90%，GPT-5.5 的准确率峰值达到 99.7%。运行间的变异性基本消除，模型间的性能差距大幅缩小。
换句话说，添加确定性检索层使模型选择的重要性大大降低。
所以一旦把检索层做成确定性的，模型之间的差别就没那么重要了；真正决定结果的是底下那层基础设施。
让数据对智能体开放
团队表示，仍然希望模型在提出假设、设计实验、推理机制时保持创造性，但在基因标识符、模式、检索逻辑、坐标系统、元数据约定和数据访问路径这些底层层面，系统必须「无聊到可信」。
作者也承认，未来某一天智能体也许能自己穿过这些杂乱门户，但即便如此，重复造轮子也未必划算；对生物数据库来说，更重要的是从现在开始就按智能体的使用方式来设计。