赛博牛马?Openclaw 中不得不学的四个生物医学项目!

老铁快点击蓝字 关注俺

生信碱移

一文读懂4个claw项目

一文读懂四个 Openclaw 生物医学项目，机器真的会代替科研工作者吗？

Openclaw 小龙虾最近可以说是火爆了，早期的大模型比如 GPT 只能说用在对话咨询和 github copilot 这类代码补全任务，而现如今大模型已经开始具备调用工具和执行任务的能力。简单来说，这类模型的特点是端到端的输出，不需要像之前那样问一个问题再自己转过头来修改代码，而是直接调用你的环境进行分析，直接输出最终的结果，中间的报错以及环境库安装都会由大模型解决完成。

这类工具其实去年就有苗头了，比如各位佬铁或多或少都听过的 Cursor 和 Claude Code。前者把大模型直接带进了代码编辑环境，在边写边问、边改边生成的状态下进行生信分析；后者则更进一步，能够在一定范围内读写文件、调用命令、协助完成更完整的开发任务。

而 OpenClaw 关注的已经不只是帮你改代码了，而是让大模型真正能够调用工具、连接外部网络和 24 小时不中断连续执行任务。真的是赛博牛马，我们也算是能够成为赛博资本家了。

日常工作这种小编就不介绍了。关注到生物医学领域，如果大模型要真正参与生信分析等研究任务，那它就不能只会总结，还要会调用各种生物医学工具，并且在此基础上理解步骤、组织流程，甚至与具体的软件环境和任务体系配合。

所以今天小编给各位介绍一下四个开源生物医学智能体项目：LabClaw、MedgeClaw、ClawBio 和 BioClaw，可以好好收藏学习了哈哈。

首先来看 LabClaw，是由斯坦福-普林斯顿的研究者开发，打包了用于生物医学 AI 工作流程的 240 个可投入生产的 SKILL.md 文件，覆盖生物学、实验室自动化、视觉/XR、药物发现、医学、数据科学、文献研究和科学可视化等领域。每个技能都教会 OpenClaw 何时使用某个工具、如何调用该工具，以及应产生何种输出。其实也就是 OpenClaw 的附属，让智能体不是临场发挥，而是基于明确的技能组织去完成任务。

图：LabClaw 项目，目前 Github 已获得 595 颗星，网址：https://github.com/wu-yc/LabClaw。

由于是附属，配置起来也比较简单，直接发网址蓝小龙虾学一下就行：

MedgeClaw则是类似的工具，整合了 140 个 K-Dense 科学技能，用于生物信息学、药物发现、临床研究等领域。具体的架构比较好理解，也就是 opencalw + claude code：

图：MedgeClaw 项目，目前 Github 已获得 909 颗星，网址：https://github.com/xjtulyc/MedgeClaw。

# MedgeClaw 架构示意User (voice / text via WhatsApp · Slack · Feishu · Discord)        ↓OpenClaw Gateway  (conversation layer)        ↓  biomed-dispatch skillClaude Code  (execution layer)        ↓  K-Dense Scientific Skills (140 skills)R + Python Analysis Environment (Docker)        ↓                    ↓                    ↓Research Dashboard :77xx    RStudio :8787       Feishu Rich Cards  (real-time progress,      / JupyterLab :8888    (SVG panels → PNG   code & output preview)   (interactive)          → interactive cards)

下一个要介绍的是更加稳健的ClawBio，项目贴近发文章层面非常核心的要求，那就是可复现性。很多时候，做分析最重要的并不是跑出了结果，而是这个结果以后还能不能被重新跑出来，别人能不能验证。ClawBio 关注的不只是让智能体去完成生信任务，还强调这些任务应当尽量在本地环境中完成，并留下清楚的执行记录、命令信息和环境说明。每个结果都附带可复现性包，让审稿人可以在 30 秒内复现你的图 3，而无需给你发邮件。

图：ClawBio 项目，目前 Github 已获得 418 颗星，网址：https://github.com/ClawBio/ClawBio。

官网展示了一些具体的应用，比如拍摄药物包装的照片，ClawBio 从包装识别药物，从提供的基因组数据直接查询药物基因组学档案，并在几秒钟内在机器上返回个性化剂量卡：

图：内容回复。Warfarin | CYP2C9 *1/*2 Intermediate · VKORC1 High Sensitivity AVOID — DO NOT USE · Standard dose causes over-anticoagulation in this genotype.

同时，作者也提到 ClawBio 能够同时在九个基因组数据库中搜索感兴趣的遗传变异（SNP），找到所有已知的疾病关联、组织特异性效应和人群频率。或者通过将成千上万个小效应变异合并为单个多基因风险评分，来估算你对 2 型糖尿病等疾病的遗传易感性。感觉挺起来是有点宏大了哈，就是实际的结果不止匹配如何。

最后要介绍的是 BioClaw。如果说前面几个项目主要在处理技能、流程和执行的问题，那么 BioClaw 则更接近使用结果这个层面。它的一大特点，是将计算生物学相关能力直接嵌入了群聊环境之中，例如 WhatsApp 这样的日常沟通场景。

图：BioClaw 项目，目前 Github 已获得 207 颗星，网址：https://github.com/Runchuan-BU/BioClaw。

具体应用层面，作者也举了几个例子，比如上游 FastQC 这种质控任务，竟有一种做了老板的感觉：

从 CSV 文件创建差异表达火山图并解释结果：

甚至是分子对接的结合位点可视化，这个人工起来确实小小麻烦：

就简单分享到这里了，感觉还是得上手实操学习。

不过尽管像 LabClaw、MedgeClaw、ClawBio、BioClaw 这样的项目，已经让我们看到了生物医学智能体在技能调用、流程组织和协作接入上的巨大能力，但这并不意味着像我们这样的研究者会被轻易替代。小编的理解的是，越是复杂、越是高风险、越需要判断力的科研场景，越离不开人的作用以及知识积累。未来科研的发展方向，更需要无法替代的人在更高层次上使用这些工具了。