淘天一面：Prefix Caching 原理是什么？Agent 框架怎么保证不破坏缓存？
2026/8/17 20:00:51
项目速览
| 项目 | Star 数（统计时间） | 主要功能 | AI4S 领域 | 本期动态 |
|---|---|---|---|---|
| ToolUniverse | 1,627（2026-08-14 10:12） | 让 AI 模型统一检索、调用并组合科学数据、模型和软件工具 | 科研智能体、生物医药与科研数据 | v1.4.1 提升数据返回可靠性与安装体验 |
| ForgeStencil | 60（2026-08-14 13:55） | 用双智能体发现 CUDA 模板计算优化策略，并集成到真实应用中验证 | 高性能计算、GPU 优化、科学计算智能体 | 8 月 4 日首次公开，提供 100 个应用复现包 |
| ColabFold | 2,876（2026-08-14 10:12） | 从蛋白质序列生成三维结构、复合物模型与置信度结果 | 结构生物学、蛋白质研究 | 增加复合物界面置信度评分 |
| BioNeMo Recipes | 843（2026-08-14 10:12） | 提供可扩展的生物基础模型训练、微调与推理参考流程 | 生物医药、基因组与药物发现 | Evo2 支持并行批量生成 |
| Scanpy | 2,539（2026-08-14 10:12） | 从单细胞表达矩阵完成质控、聚类、轨迹和差异基因分析 | 单细胞组学、生物信息学 | 优化 Harmony 批次整合默认设置 |
1. ToolUniverse：让 AI 先找到合适的科学工具，再按统一方式执行
ToolUniverse 是一个为科研智能体准备的开源工具平台。科研智能体是能够根据任务自行选择并调用工具的 AI 程序。可以把 ToolUniverse 理解成科学工具的“统一目录和转接层”：语言模型不必分别学习每个数据库、分析软件和预测模型的调用方式，只需按照同一套说明查找工具、填写参数并读取结果。它不是替研究者下结论的聊天机器人，主要作用是把原本分散的科研资源连接起来。
用户提出科研任务后，ToolUniverse 会先从工具库中筛选合适的选项，检查参数，再调用相应服务。多个工具既可以依次执行，也可以并行运行，或者根据前一步结果反复调整。据项目论文 2026 年 7 月的统计，工具库当时已经收录超过 2,700 个工具，涉及数据集、机器学习模型、科学软件、文献检索和实验接口等类别。任务结束后，系统会留下查询结果、模型预测、证据汇总和调用记录，方便研究者检查每一步用了什么数据、做了什么操作。
该项目由哈佛医学院生物医学信息学系牵头，哈佛大学、麻省理工学院及相关研究机构参与。本期发布的 v1.4.1 增加了基因安全性评估流程，并修复了若干数据返回和安装问题。
图：ToolUniverse 统一管理科学工具与领域技能，再把它们交给语言模型或智能体完成假设生成、实验设计、数据分析和证据汇总；来源：ToolUniverse 原始论文，Figure 1。
资料来源：官方 GitHub 仓库（访问日期：2026-08-14）；哈佛医学院项目团队页面（访问日期：2026-08-14）；v1.4.1 Release（发布：2026-08-12；访问日期：2026-08-14）；原始论文（修订：2026-08-07；访问日期：2026-08-14）。
2. ForgeStencil：让智能体把模板计算优化真正部署进科学软件
ForgeStencil 是一套用大语言模型智能体优化 CUDA 科学计算程序的开源系统，主要面向模板计算（Stencil Computation）的性能优化。在这类计算中，规则网格上每个点的新值都由自身和周围一小片邻域共同决定。流体力学、电磁仿真、气候模拟和医学成像中都能见到这种模式。模板计算往往要在大规模网格上重复很多次，因此，即使单次更新只快一点，也可能显著缩短整个程序的运行时间。
ForgeStencil 使用两个分工不同的智能体。Kernel Agent 负责研究底层计算内核，在“规划—编码—性能分析”的循环中尝试分块、融合、数据布局和主机端重构等办法，并把效果较好的 CUDA 内核放入库中。App Agent 面向具体软件，先找出最耗时的部分，再选择或改造合适的内核，将它接入原程序。接入后，系统使用应用自带的正确性检查和计时器，对原始版本与优化版本进行交错测试。这样留下的不只是一个代码片段，还包括集成补丁、软件来源记录、复现脚本和端到端性能数据。
图：ForgeStencil 先由 Kernel Agent 生成并积累优化内核，再由 App Agent 将内核部署到真实应用中验证；根据项目官方架构图整理。
项目由 OpenBMB 组织开源，仓库于 2026-08-04 首次公开。仓库为 100 个应用准备了复现包，涉及油气、电磁、医学成像、流体、气候、天体物理和材料等场景。项目自己的结果注册表显示，端到端加速的中位数为 1.41 倍，几何平均为 2.05 倍。这些数字需要结合测试条件理解：目前 100 个应用只在 A100 上完成了端到端验证，实际速度还会受到 GPU 型号、节点负载和原程序优化程度的影响；如果应用自带的正确性检查不够严格，验证结果也会受到限制。
资料来源：官方 GitHub 仓库（访问日期：2026-08-14）；中文项目说明（访问日期：2026-08-14）；双智能体工作机制（访问日期：2026-08-14）；GitHub API 仓库记录（仓库创建：2026-08-04 00:22，Asia/Shanghai；访问日期：2026-08-14）。
3. ColabFold：从蛋白质序列快速得到三维结构与可信度线索
ColabFold 是一套免费、开源且较容易上手的蛋白质结构预测工具。它不是 AlphaFold2 的简单“社区复刻版”，也没有重新发明一个结构预测模型；它所做的，是把 AlphaFold2 等模型与更快的序列搜索方法组合起来，再封装成可在浏览器中运行的 Google Colab 笔记本和命令行程序。这种组合既简化了安装和使用步骤，也缩短了序列搜索与数据准备时间，让没有专门计算团队的实验室也能较方便地开展结构预测。
使用者只需提供 FASTA 或 CSV 格式的氨基酸序列，也可以一次提交由多条蛋白链组成的复合物。ColabFold 首先用 MMseqs2 寻找相似序列，并建立多序列比对。所谓多序列比对，就是把一批相关蛋白质的序列按照同源位置排齐。空间上彼此关联的氨基酸位置，往往会在演化过程中表现出协同变化；这些规律能为蛋白质的三维结构提供线索。随后，AlphaFold 系列模型会利用这些信息预测蛋白质单体或复合物的三维形状。
预测完成后，ColabFold 会给出 PDB 三维坐标、可视化图片和多种置信度指标。这些指标能帮助研究者判断哪些局部结构较可靠、哪些链间接触值得进一步验证，但预测结果仍不能代替实验测定。项目由德国马克斯·普朗克多学科科学研究所、首尔大学、东京大学、密歇根州立大学和哈佛大学等机构合作开发。本期没有发布新版本，不过新增了两项复合物界面置信度评分，使链间结合的判断更直观。
图：使用者可以从网页或命令行提交序列。ColabFold 经 MMseqs2 生成多序列比对，再预测单体或复合物结构，并给出序列覆盖度和置信度图；来源：ColabFold 原始论文，Figure 1。
资料来源：官方 GitHub 仓库（访问日期：2026-08-14）；原始论文与机构信息（在线发表：2022-05-30；访问日期：2026-08-14）；本周期功能提交（提交：2026-08-10 13:54，Asia/Shanghai；访问日期：2026-08-14）。
4. BioNeMo Recipes：把生物基础模型原型扩展到多 GPU 训练与批量生成
BioNeMo Recipes 是 NVIDIA 开源的一组生物基础模型训练配方和参考代码。这里的“配方”不是一个可以直接点开使用的应用，而是一套经过组织的示例：数据怎样准备、模型怎样配置、训练怎样从一张 GPU 扩展到多台机器，都能在代码中找到对应做法。生物基础模型则是从大量蛋白质、DNA 或单细胞数据中学习一般规律的大模型，之后还可以针对具体研究任务继续训练。
项目为 ESM-2、Geneformer、AMPLIFY 和基因组模型等方向提供参考流程，并尽量与常见的 PyTorch 工具兼容。研究者可以从已有检查点继续预训练或微调，训练过程会产生新的模型检查点和日志；也可以使用训练好的模型执行推理，得到生成序列等结果。基准测试脚本还会记录吞吐量，帮助使用者比较不同训练配置的运行效率。BioNeMo Recipes 的价值在于提供一套可修改、可扩展的工程起点，而不是替使用者包办数据处理和模型选择。要真正运行这些配方，仍然需要相应的 GPU 资源和分布式训练经验。
BioNeMo Recipes 由 NVIDIA BioNeMo 团队维护。本期更新为基因组基础模型 Evo2 加入了并行批量生成能力，使多条输入序列可以同时推理；项目同时更新了部分运行环境配置。
图：官方 ESM-2 预训练配方在两节点、16 张 GPU 上比较不同训练实现的每卡吞吐量，用于说明 Recipes 面向可扩展训练的定位；来源：BioNeMo Recipes 官方文档。
资料来源：官方 GitHub 仓库（访问日期：2026-08-14）；NVIDIA BioNeMo 官方文档（访问日期：2026-08-14）；本周期功能提交（提交：2026-08-08 02:43，Asia/Shanghai；访问日期：2026-08-14）；BioNeMo Framework 原始论文（访问日期：2026-08-14）。
5. Scanpy：把单细胞表达矩阵变成细胞群、标记基因和变化轨迹
Scanpy 是一个用 Python 分析单细胞基因表达数据的开源工具箱。它把数据清洗、统计分析和可视化步骤放在同一套工作流程中。单细胞测序会分别记录许多细胞中各个基因的活跃程度，得到一张规模很大的“细胞 × 基因”表达矩阵。Scanpy 使用 AnnData 格式保存这张矩阵，同时记录样本来源、细胞类型和基因注释等信息。
分析通常从去除低质量细胞、统一不同细胞的表达量开始。随后，Scanpy 可以把包含数千个基因的高维表达数据压缩成较少的特征，再根据这些特征寻找相似细胞、划分细胞群，并比较不同细胞群中哪些基因更活跃。研究者由此可以获得二维分布图、细胞群标签、标记基因表，以及描述细胞发育或状态变化的轨迹。对于来自不同实验批次的数据，Scanpy 还可以调用 Harmony 等方法减小技术差异，避免把实验条件造成的偏差误认为真实的生物差异。
项目由 scverse 开源共同体维护，并由 NumFOCUS 提供财政支持。本期更新调整了 Harmony 第二代实现的默认停止条件，让算法在结果已经稳定时及时停止，减少不必要的迭代；项目还完成了少量文档维护。
图：Scanpy 从预处理和可视化进入聚类、差异表达与伪时间轨迹分析，并展示大规模单细胞数据的结果；来源：Scanpy 原始论文，Figure 1。
资料来源：官方 GitHub 仓库（访问日期：2026-08-14）；scverse 官方介绍（访问日期：2026-08-14）；本周期功能提交（提交：2026-08-13 22:59，Asia/Shanghai；访问日期：2026-08-14）；原始论文（发表：2018-02-06；访问日期：2026-08-14）。