ARTICLE · 1102474
44.8GB的安装包,装着AI制药的全部真相
对于AI制药的agent，我做判断的习惯是先问一句：把AI模块关掉，剩下的部分还能不能自己跑通。我跟进过的项目里，号称用AI agent全流程做药的不在少数，能当场做对照演示的，一家都没有。
2026年9月22日，bioRxiv上线一篇预印本，题目叫《Agentic campaign control for high-throughput de novo binder design》。作者四人：Minkyu Jeon、Jinyeop Song、Jina Kim，通讯作者Ellen D. Zhong，实验室代号ml-struct-bio。代码当天就开源了。
两天后，一个叫AGI Hunt的栏目把它读成「LLM agent当科研实验指挥官」路线在AI4Science的扎实落地案例。
但其实，这篇论文最值钱的地方，恰恰是它承认LLM不能自主做药。
它把agent关在确定性代码里，每一步提议都要被校验、排队、留痕。它是今年最诚实的一篇agent论文，诚实到让所有讲「自主」的故事都难办。
我问的每个创始人都答不上这个问题
先说清楚什么叫agent自主做药。市面上常见的话术是：我们有一个AI，它自己读靶点信息，自己设计分子，自己评估，自己迭代，人只负责最后签字。这套话在BD材料里、在融资路演里、在媒体通稿里，版本越来越多。
我的标准很简单，就一个问题：把你们那个LLM关掉，流水线还转不转。
这个问题我没有一次得到干净回答。常见的反应是绕到数据量、模型参数、合作背书上。有家做双抗的公司在闭门会上给我看他们的「自主设计平台」演示，我问他关掉大模型会怎样，他说那就是一套脚本。我说那它自主的部分是什么，他没接话。散场时他的屏幕还停在演示界面，循环播放着那张架构图。我不怪他，这套叙事是市场给的补贴，谁不讲谁吃亏。
T-REX不一样的地方在于，它把这个问题写进了架构，还写进了论文，并且用一行行可审计的日志回答了它。
定义与标准：三个信号判断一个AI做药演示是真是假
不是所有人都有时间读预印本和代码。我提炼三个可操作的判断信号，下次再看到「agent自主制药」的发布，照着问一遍。
第一个信号，LLM的输出有没有被确定性代码校验。
如果演示里LLM说什么系统就做什么，那是演示，不是系统。真实系统里LLM会出错：它会提出不合法的操作、会重复已经失败过的设置、会在不该停的时候停。一个敢说自主的系统，必须有一层代码挡在LLM和 GPU 之间，把不合法的动作直接扔回去。T-REX的README写得很直白：Planner和Supervisor两层LLM负责提出和排序任务，确定性代码负责校验这些任务，并管理生成、重设计和评估。
第二个信号，决策的颗粒度。
如果LLM每一个分子都决策一次，那不是智能，是阻塞。T-REX的决策是campaign级的：它在一个设计战役里，根据累积结果决定下一批是救援有希望的结构（Rescue）、换设置重试（Explore），还是沿着有效的路线加码（eXploit）。这是一个调度器该有的决策频率，不是科学家做实验的频率。
第三个信号，也是最关键的一个，关掉agent，性能掉多少。
这一条很多发布根本不提供。T-REX提供了完整的对照：它把六个生成家族、ProteinMPNN重设计、AF2评估都注册成可调度的动作，agent做的是在它们之间分配算力。baseline就是这些模型自己跑，T-REX赢的是结构多样hit的吞吐量。换句话说，模型还是那些模型，换一种调度就赢，说明瓶颈不在生成能力，在算力怎么花。
手法拆解：真相是LLM只负责提议
论文里最有意思的，是它的安装文档。想要复现，你得先经历这些。
克隆仓库，装一个pinned的uv工具链，然后跑一条setup命令。这条命令会检出Complexa、BindCraft、BoltzGen三个后端的记录版本，从网盘下载44.8GB的资产压缩包，解压后约52GB，磁盘占用至少110GB。它要从官方wheel源下载PyRosetta，要构建指定版本的Foldseek和MMseqs2。它要建四套互相不兼容的Python环境，因为Complexa、BindCraft、BoltzGen和vLLM对Python、JAX、PyTorch版本的要求互不相容。它还要对checkpoint逐个做SHA256校验。
跑之前还有一道fail-closed预检，叫trex check：检查靶点身份和热点残基、检查checkpoint文件、检查所有后端可执行文件、检查Git版本号、检查BindCraft的生产补丁、检查Foldseek和MMseqs2的版本。任何一项不过，提交直接停止。
这套工程量说明什么？说明agent是这套系统里最不稀缺的部分。真正稀缺的是把六个生成家族、四套环境、几十个checkpoint、Slurm队列和H100显卡拼成一条稳定流水线的工程能力。agent做的，是在这条流水线建成之后，决定下一份算力发给谁。
还有一个细节值得单独说。T-REX跑在Slurm集群上，README给的示例是Princeton的Della H100节点。LLM服务器跑在GPU 0上，其余显卡才跑分子设计任务。如果你申请四块GPU，一块喂给本地部署的Qwen模型，三块干活。也就是说，这套「自主智能」的大脑，是一个跑在本地的开源中等规模模型，不是最贵的那几个API。大脑选便宜的那个，恰恰说明它干的活不需要最聪明的脑子。
再往上一层看，用户要做的决定只有四个：靶点、单节点显卡数量、战役时长、输出目录，剩下的全交给setup、init、check、submit四条命令。跑完后，归档目录按类型分好：hypothesis_cards记假设的每次演进，action_candidates记候选动作，supervisor_decisions记监督层的拍板，llm_call_records把每一次LLM调用留底，launch_decisions和dispatch_records记实际派发。
想复盘agent哪一步判断错了，能一路追到具体那一次调用。这套留痕密度，我在这行见过的公司演示里一次都没有。顺带一句，setup命令本身是可恢复的，网络断了重跑同一条命令，它跳过已完成的阶段从断点继续。这种工程自觉，比论文里任何一句「autonomous」都更能说明它是为真实集群写的东西。
谎言的构造：叙事为什么总跑到模型前面
讲回媒体那头的解读。AGI Hunt把T-REX叫做「LLM agent当科研实验指挥官」的扎实落地。这个说法不算错，但它会诱导读者关注错误的东西。
叙事跑偏有三个原因。
第一，模型层的故事讲完了。
Complexa、BindCraft、BoltzGen这些生成模型，能力曲线在趋同，谁也不比谁强一个量级。在这个阶段，你能讲的新故事只剩「我怎么用它们」。编排层是唯一还有增量可讲的地方，于是所有叙事都往这里堆。
第二，demo比论文好传播。
一个会自己跑实验的AI，比一个会调度队列的AI好讲一万倍。但调度队列才是T-REX的实际贡献。它把蛋白质设计建模成在线分配问题：在异构工具之间动态决定跑哪个工具、用什么设置。这个问题的价值不打折，只是它不性感。
第三，利益结构需要这个叙事。
预印本的竞争利益声明写得很清楚：Ellen D. Zhong持有Generate Biomedicines的股权，并担任Deep Apple Therapeutics和Chan Zuckerberg Imaging Institute的科学顾问。这不是污点，披露本身是加分项，很多论文连这都做不到。但它意味着，这套编排框架的商业化路径在论文发表之前就已经有了指向。开源T-REX，开的是调度器；数据、管线、持股关系，一样都没开。社区贡献的是「怎么花GPU更划算」的know-how，闭环留在持有资产的一方。
识别工具：好答案和坏答案的对照表
直接给工具。下次碰到「AI agent做药」的发布，对号入座。
好答案长这样：论文提供关掉agent的对照实验，并写明性能差多少；公开每次LLM调用的决策日志，T-REX的归档里hypothesis_cards、action_candidates、supervisor_decisions、llm_call_records、launch_decisions一应俱全，每次调度都可回溯；明确写出agent不能做什么，T-REX自己就声明确定性控制器负责可靠性和调度，没把可靠性归功于LLM；贴出部署门槛，四套环境、110GB磁盘、H100集群，让读者自己判断这玩意儿能不能搬回自己公司。
坏答案长这样：只放演示视频，不放对照数据；性能数字全是「相比传统方法提升N倍」，baseline含糊；一句「自主决策」覆盖全部环节，问就是商业机密；对算力成本、环境依赖、复现路径只字不提。这种发布，我一般翻到第二页就关了。
两张表压缩成一句话：敢把决策日志亮出来的才算系统，只讲故事的不算。
还有一个容易混淆的点。吞吐量是计算指标，不是分子。T-REX在七个靶点（CD45、BET、CBAGo、HER2、新冠病毒RBD、PD-L1、IL-7R）上拿到的是结构上多样的hit数量，高于所有baseline。这些hit通过了计算评估，论文与代码仓库里没有报告任何一条经过SPR、BLI或者湿实验验证。这不是批评，计算研究本来就该这样收尾，这是提醒读新闻的人：从「计算指标领先」到「做出能吃药的分子」，中间隔着整个药物开发最贵的那一段。
谁能活下来：下一个战场在编排层
我的判断是，未来两年，蛋白质设计乃至整个AI做药领域的竞争点，会从「谁的模型更好」转到「谁更会花算力」。
理由有三条。模型在趋同，六个生成家族的能力差距不足以解释结果差异，T-REX换调度就赢了所有baseline，这是直接的证据。算力成本是真实约束，一次设计战役的时长是用户自己填的（README的示例是48小时四块GPU），在有限预算下怎么分配，是真问题。编排能力可累积，它不像模型权重那样靠一次训练定生死，它靠工程实践和对工具性格的理解，这是企业能攒、别人拿不走的东西。
这个判断有一个可证伪的检验点：如果明年这个时候，蛋白设计领域的论文开始把编排策略当主结果汇报，而不是塞进方法附录里当配角，说明编排层确实成了主战场。
幸存者会是谁。一种是持有专有数据与管线、同时自建编排层的平台型公司，它们把开源编排器当基础设施用，自己的资产不开放。一种是工具层供应商，把复杂环境管理做成服务，帮药企搞定四套Python环境、Slurm队列和checkpoint校验这摊事，赚的是过路费。单纯讲agent故事、自己没有管线也没有工程能力的公司，这一轮会被筛掉。国内能接住这波红利的，是已经租下集群、有工程团队攒过环境管理经验的团队；纯靠调API做集成的，议价空间会被越压越薄。
附带一个观察。T-REX把LLM服务器放在GPU 0、用本地Qwen，这个设计会被更多团队抄。当编排成为主战场，最贵的模型不是必需品，够用的脑子加更聪明的调度，才是性价比正确的组合。
时间窗和一句狠话
最后给时间判断。我认为2026年底到2027年，编排层工具会从论文走进公司的采购清单，而「agent自主做药」的demo灾难会集中爆发一批。判断标准已经给出去了：关掉LLM，它还转不转。再给两个概率自估：编排策略成为蛋白设计论文主结果、明年内见到三篇以上，六成；「agent自主做药」这套说法在明年下半年从融资材料里退潮，五成。
一句狠话收尾：凡是不能关掉LLM做对照的自主制药故事，都别信。这篇论文把agent关进了确定性代码，把每一次决策写进了日志，把部署门槛写得一清二楚，最后告诉你它赢在调度。它什么自主的故事都没讲，却比所有讲自主故事的都可信。
参考资料
Minkyu Jeon, Jinyeop Song, Jina Kim, Ellen D. Zhong. Agentic campaign control for high-throughput de novo binder design. bioRxiv, 2026-09-22. DOI: 10.64898/2026.09.22.753604（预印本全文与竞争利益声明，一手） ml-struct-bio/T-REX 代码仓库，GitHub，最后提交2026-09-27。README与安装文档（架构、44.8GB资产包、四套环境、fail-closed预检、GPU 0运行本地Qwen、审计日志结构，一手） AGI Hunt栏目对T-REX的解读（「LLM agent当科研实验指挥官」叙事出处，二手解读）