Los científicos de IA se están convirtiendo en una nueva interfaz para la informática científica. Estos agentes leen artículos, escriben códigos, generan hipótesis, llaman a API e inspeccionan archivos. Pero la ciencia no es ingeniería de software. Ningún conjunto de pruebas se vuelve verde cuando una hipótesis es correcta. El descubrimiento sigue siendo iterativo, incierto y basado en el mundo físico.
Esa brecha es a lo que apunta NVIDIA. NVIDIA publicó un tutorial práctico para su kit de herramientas BioNeMo Agent. El argumento es directo. Un agente codificador general apuntado a la biología no producirá nuevos medicamentos. En la investigación biomolecular, el límite de un agente lo establecen las herramientas que puede utilizar de manera confiable, correcta y eficiente.
TL;DR
BioNeMo Agent Toolkit incluye modelos biomoleculares de NVIDIA como habilidades de agentes documentadas y utilizables. Las habilidades abarcan el plegamiento y acoplamiento de proteínas, la química generativa, la genómica y el diseño de proteínas. NVIDIA informa que la finalización de tareas aumentó del 57,1 % al 100 % con habilidades. Los agentes promediaron 2 veces más afirmaciones aprobadas por cada 1000 tokens. Los puntos finales NIM alojados se adaptan al acceso rápido; Los trajes NIM locales repiten la iteración.
Explicador interactivo
BioNeMo Agent Toolkit es un depósito de código abierto de “habilidades” para agentes de IA. Cada habilidad convierte un modelo biomolecular de NVIDIA en una herramienta a la que un agente puede recurrir. El conjunto de herramientas incluye plegamiento de proteínas, acoplamiento molecular, química generativa, análisis genómico, diseño de proteínas y descubrimiento de biomarcadores.
NVIDIA enmarca la plataforma en dos partes. La primera es una capa de herramientas acelerada. Los modelos abiertos NVIDIA NIM (NVIDIA Inference Microservices) y BioNeMo ofrecen capacidades básicas como servicios invocables. Estos se aceleran mediante bibliotecas como cuEquivariance para modelos estructurales y Parabricks para genómica. La segunda parte son las interfaces listas para agentes. BioNeMo Skills empaqueta cada capacidad para que un agente pueda usarla.
Una habilidad documenta el propósito del modelo, las entradas requeridas, los parámetros opcionales, los artefactos esperados y los modos de falla. Los contenedores del servidor Model Context Protocol (MCP) exponen modelos abiertos que aún no están empaquetados como NIM. En conjunto, esto permite a un agente descubrir, seleccionar, invocar e interpretar modelos biomoleculares por sí solo.
El repositorio agrupa las habilidades en habilidades de nim, habilidades de modelos abiertos y habilidades de biblioteca. Una carpeta de flujos de trabajo contiene metahabilidades de varios pasos. Un ejemplo es generative_protein_binder_design, que encadena RFdiffusion → ProteinMPNN → OpenFold3.
Cómo funciona una habilidad de BioNeMo
Cada habilidad es un directorio con un archivo SKILL.md. Contiene información preliminar de YAML más instrucciones, referencias opcionales y scripts opcionales. Un agente lo lee como si fuera documentación y luego actúa en consecuencia.
El patrón de indicaciones sigue siendo el mismo en todos los modelos. La publicación de NVIDIA usa OpenFold3. La misma forma se aplica a otros NIM para biología. Estos incluyen Boltz-2, DiffDock, GenMol, ProteinMPNN, MSA Search, RFdiffusion y Evo 2. Usted nombra la habilidad, la entrada y el punto final.
La instalación extrae habilidades a través de la CLI de habilidades de código abierto:
La implementación es una elección, no una opción predeterminada. Utilice puntos finales NIM alojados para un acceso rápido sin administrar la infraestructura. Mueva los modelos seleccionados a nivel local cuando necesite una latencia cálida, una localidad de datos o una iteración repetida más bajas.
Punto de referencia
NVIDIA midió si las habilidades realmente mejoran el ciclo de un agente. Todas las métricas informadas provienen de Codex CLI que ejecuta GPT-5.5 rápidamente. El equipo comparó al mismo agente con y sin cada habilidad.
La finalización de la tarea fue la primera métrica. Sin habilidades, el agente completó en promedio el 57,1% de las tareas requeridas. Con acceso a habilidades NIM, la finalización alcanzó el 100%.
La eficiencia fue la segunda métrica. NVIDIA contó las afirmaciones pasajeras, los pasos individuales que componen una tarea. Con habilidades, un agente produjo el doble de afirmaciones pasajeras por cada 1000 tokens. Esa ganancia se mantuvo en las diez habilidades NIM evaluadas.
Casos de uso con ejemplos
Predicción de la estructura de proteínas: un agente pliega una secuencia peptídica con Boltz-2 u OpenFold3. Devuelve un archivo CIF para su inspección posterior. Alineación de secuencias múltiples: un agente genera un MSA con MMseqs2 a través de la habilidad de búsqueda de MSA. El artefacto es un archivo A3M. Química generativa: un agente genera moléculas candidatas con GenMol. Los resultados llegan como SDF o SMILES para filtrar. Diseño de aglutinantes de proteínas: el flujo de trabajo generative_protein_binder_design encadena tres modelos. RFdiffusion construye una columna vertebral, ProteinMPNN diseña la secuencia y OpenFold3 valida el pliegue. Cada ciclo sigue la misma forma: el agente selecciona un modelo, prepara entradas, las ejecuta, inspecciona las salidas y explica los resultados con advertencias.
Cómo se compara: agente con o sin habilidades
Empezando
Los requisitos previos son mínimos. Necesita un tiempo de ejecución de agente como Claude o Codex. Necesita una clave API de NVIDIA para los puntos finales NIM BioNeMo alojados. Un nodo GPU es opcional para la implementación de NIM local.
Dirija al agente primero al repositorio. Deje que enumere las capacidades disponibles antes de actuar. Luego, entrégale una sola habilidad para operar un modelo.
NVIDIA señala dos advertencias. Los puntos finales de build.nvidia.com son solo para desarrollo y pruebas a pequeña escala. No son inferencias de grado de producción. NVIDIA también hace hincapié en la validación: comprobar las estructuras de baja confianza y filtrar las moléculas generadas antes de confiar en ellas.
Consulte el repositorio y los detalles técnicos. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 150.000 ml y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub O su página principal de Hugging O su lanzamiento de producto O seminario web, etc.? Conéctate con nosotros