Paving the way for agents in biology（為 AI Agent 鋪平生物學之路）

來源： Anthropic 原文日期： 2026-06-08

中文摘要

Anthropic 研究員 Laura Luebbert 指出，生物學 AI Agent 發展的最大瓶頸不是模型推理能力，而是生物數據基礎設施對 agent 極不友好。研究團隊讓 Claude、Biomni OSS、Edison Analysis 和 GPT 等 agent 從 NCBI Virus 病毒数据库中擷取序列數據，結果最強模型的準確率也不一致（16.9%–91.3%），且同樣問題三次跑出的結果差異巨大。團隊開發了「gget virus」確定性檢索層後，準確率一舉提升至近 100%。

關鍵洞察

生物學不等於軟體：軟體有結構化 API、版本控制、package manager 等「高速公路」基础设施；生物數據則像義大利小鎮的窄路，充滿異質格式、分散資料庫和一次性腳本

Karpathy 比喻的延伸：Andrej Karpathy 抱怨「程式碼最簡單，都在瀏覽器裡點擊」——生物學家用手動\>20 年的痛點，agent 也無法倖免

Ebola 疫情案例：2026 年 5 月剛果爆發 Bundibugyo 病毒 Ebola 疫情，研究人員需手動點擊 NCBI Virus 介面才能取得歷史基因組數據進行比對，嚴重阻礙防疫反應

VirBench 基準測試：120 個真實病毒序列查詢、40 種病原體，Claude Sonnet 4 在相同 prompt 三次跑出 106、15、5 條序列（期望值 266 條）

確定性檢索層是解方：gget virus 協調 REST、Datasets、E-utilities 等多個 API，能正確重現網頁介面的篩選邏輯

原文關鍵句（英文保留）

> "Even the strongest models did not consistently achieve the level of accuracy required for reliable dataset construction. But accuracy rose to nearly 100% once she and her team added gget virus, a deterministic retrieval layer."

> "Software infrastructure was basically made for the needs of cars (agents): paved roads, clear lanes, standardized signals. Using AI agents to navigate biological data infrastructure is like driving through an old city that was designed before cars."

> "The bottleneck for biological agents is not only reasoning but the absence of widespread deterministic execution layers for querying biological data."

對 CJ 哥的價值

ESG/公共健康：AI agent 在傳染病监测中的應用案例，說明為何「數據基礎設施」是 AI 落地於永續目標的關鍵前提

企業 AI 轉型啟示：企業要讓 AI agent 在必領域（如研發、法务、合規）可靠運作，必須先建立「確定性執行層」——不能只靠 LLM 的推理能力

內容生產：以「程式 agent vs. 生物 agent」對比切入各行業 AI 轉型的數據基礎需求，是非常有傳播力的角度