一句话看懂：Anthropic 发布了两项实验报告，让 Claude 模型作为 Agent 自主调用开源蛋白质设计工具，完成从设计到筛选的完整流程，在 15 个靶点中有 14 个成功产出可用的微型结合蛋白，实验室实测命中率最高达 26.8%，超过行业常见的 10%-15% 水平。
事件核心：发生了什么
Anthropic 在 2026 年 8 月公开了两项早期药物发现实验，主角是其 Claude 模型（Mythos Preview 和 Opus 4.8）。实验目标是从零设计“迷你结合蛋白”（minibinders）——一类能锁定目标蛋白并改变其功能的小型蛋白质，这是许多药物的作用基础。
整个流程由 Claude 作为 Agent 自主运行：它安装并调用了 PXDesign、RFdiffusion3、Genie 3、SolubleMPNN、ESMFold2 等十余款开源专业软件，完成蛋白质骨架生成、氨基酸序列设计、候选物筛选和排序。系统提示词约 16000 词，其中只有三分之一是科学指导，其余都是任务调度、子代理分工和预算控制指令。人类只负责选择靶点、编写提示词、下单合成和解读数据。
在 16 个靶点中，15 个获得了有效测量数据，Claude 在其中 14 个靶点上产出了阳性结果。1320 个设计中 354 个在实验室实测中成功结合靶点，命中率 26.8%；若只看模型自评排名第一的设计，命中率升至 49%。对比之下，行业公开数据库 proteinbase.com 中的典型命中率在 10%-15% 之间。针对难点靶点 RBX1，Claude 的表现也优于公开设计竞赛的获胜者——胜者设计结合强度为 45 nM，Claude 最优设计为 3.9 nM，亲和力高出约十倍。
实验委托 Adaptyv Bio 和 Twist Bioscience 两家合同实验室进行独立生物学验证，所有设计均按原始序列合成并实测结合能力。两次多靶点实验的计算成本分别为 5 万美元，单靶点模式成本为 1 万美元，均通过云计算平台 Modal 执行。
为什么重要
这项工作的关键不在于 Anthropic 自研了蛋白质模型，而在于它展示了一个通用大模型 Agent 可以编排一整条专业科研流水线——安装开源工具、调度算力、筛选结果、控制预算——而无需人类逐环节介入。这意味着蛋白质设计的门槛正在从“掌握多个专业软件和湿实验流程的团队”降为“能写好提示词的实验室”。
从行业格局看，Anthropic 选择了全程使用开源工具而非自有模型，表明大模型竞争的重点正从模型本身的科学知识储备，转向 Agent 的工具调用能力和长任务规划能力。对于 AlphaFold、RFdiffusion 等工具的开源生态，这也是一种间接推动——它们的价值在 Agent 自动化编排下被进一步放大。但需要注意，目前实验结果尚未经过独立同行评审，所谓“击败行业命中率”的结论仍以 Anthropic 自述为准。
对用户/开发者/创作者的影响
对生物技术公司和药物研发团队而言，这套流程意味着早期靶点筛选的试错成本可能大幅下降。Anthropic 报告的预算（单靶点 1 万美元、多靶点 5 万美元）远低于传统湿实验筛选的投入，且时间压缩至 48 小时内。不过，实验仍依赖外部合成和验证服务，最终成本包含这部分支出。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对 AI 开发者来说，这份报告提供了 Agent 编排复杂科研工作流的具体范例：如何用系统提示词约束预算、如何让模型自主选择工具、如何通过子代理分工处理长任务。这些工程细节可以直接迁移到其他垂直领域。
对普通用户而言，短期内没有直接可用的产品变化，但这项技术方向预示着未来的蛋白质设计服务可能以“输入靶点、输出候选分子”的 SaaS 形式出现，降低生物技术创业的入门门槛。
值得关注的后续
第一，独立评审结果。当前数据全部来自 Anthropic 自述，第三方实验室只负责了蛋白合成的结合测量，未对整体实验设计做方法论审查。若有独立团队复制实验并得出相近结果，结论才更有说服力。
第二，开源还是闭源的选择。Anthropic 明确排除了 AlphaFold-3 权重和 Rosetta，理由是许可限制，未来若开源工具生态进一步开放，Agent 可调用的工具组合会更丰富，效果可能再提升。
第三，成本能否继续下探。单靶点 1 万美元的预算中，计算成本占比不低，随着推理优化和算力价格下降，若命中率能维持在 25% 以上，这个方向很可能吸引更多药企和生物技术初创公司跟进。
