沐曦国产GPU加速科研实战营【第1课】

2026-11-204
AI 快速预览详细 收起
本文介绍了在国产GPU加速科研实战营第一课中,如何将一次性的PDB下载操作封装成可复用的技能。通过明确交付标准、封装流程和验证步骤,实现了高效的蛋白质结构下载与可视化。文章详细记录了环境准备、仓库配置、交付标准定义、技能封装及验证等步骤。特别强调了隐式前置条件的重要性,并提供了三条设计原则:交付先于过程、失败路径优先、第二次使用才算数。

把一次 PDB 下载变成可复用技能:AI4S 第一课的工程化实践

发布前必读:本文按自己的叙述角度重写,不照抄示例文章。活动要求「内容来自实际实践,附运行截图或演示视频」,请把截图占位换成你本人运行的结果,并把第七节的复盘改成你自己的结论。命令、PDB ID、技能名属于课程硬性要求,保留不变。同一份作业发多个平台只计一次周边。

写在前面:一次操作和一个能力的区别

假设你今天跑通了一个蛋白结构的下载和可视化,下周导师换了一个 PDB ID,让你再来一遍。你会怎么做?重新把需求对 AI 说一遍,还是希望上次那套流程能直接拿过来用?

这就是我上完「国产 GPU 加速科研线上实战营」第一课后,最想搞清楚的问题。这节课讲的是 Science Agent,实践主线是蛋白质设计。作业本身只是下载一个结构、做一个可交互页面,但我更关心的是:怎么把一次性操作变成能反复调用的能力。

下面按我实际做事的顺序记录,重点放在后半段的技能封装和验证。

环境:Windows 10 / PowerShell / Git / Node.js / OpenScience / 沐曦 GPU 算力课程仓库:https://gitlink.org.cn/ccf-ai-infra/Science-Agent-Lab

封面图

一、动手前的准备

我的前置清单只有四件事:

  • 沐曦开源者社区账号 + 算力券,再去模力方舟换成 Tokens 资源包;
  • Git、Node.js、OpenScience 三个工具装好(前两个默认在 C:\Program Files,OpenScience 的用户配置在 .openscience);
  • 给 OpenScience 授予项目目录的访问权限;
  • 心里有数:后面所有模型调用都要消耗 Token,所以先确认额度可用。

截图位 1:算力券 / Tokens 资源包页面(个人信息打码)

二、仓库拉下来之后,先别急着做作业

仓库克隆很简单:


但有一件事值得单独说:如果这是本机第一次用 OpenScience,全局配置目录还不存在,需要在同一个 PowerShell 窗口里补两条命令,把配置模板放到位:


为什么强调它?因为这一步不做,作业本身照跑不误,但到了后面「让 AI 加载技能」时就会失败,而且报错信息未必直指配置文件。我把它理解成环境里的隐式前置条件——看起来跟作业无关,实际上决定后面的验证能不能过。

截图位 2:终端中的 clone 与配置命令输出

三、第一次跑通:先把交付标准定清楚

我选的是 PDL1,PDB ID 为 5O45。给智能体布置任务时,我没有描述过程,只明确了三个要素:

  • 数据来源:RCSB,用 PDB ID 定位;
  • 产物位置:lesson-01 实验目录下的 outputs;
  • 验收形态:可交互的 3D HTML,能旋转、能缩放、能切换链,而不是一张静态截图。

把交付标准先说清楚,比中途反复纠正更省事。跑完之后,目录里应该同时有原始 .pdb 文件和那个可交互页面。

截图位 3:5O45 的 3D 交互页面,最好能看出旋转或链切换

四、核心工作:把这套流程封装成 Skill

跑通一次不算收获,能重复才算。接下来我把上面这套操作固化成一个技能,名字是 protein-download-and-visualization,入口文件放在:


我的 SKILL.md 按「适用场景 → 参数与产物 → 前置依赖 → 操作流程 → 异常处理 → 验收 → 备注」组织,示意如下(按你实际依赖调整):


写这份文件时,我给自己定了几条约束:用 YAML 头声明 name 和 description;把入参、产物、依赖说清楚;失败怎么处理、怎么算成功都要写明;辅助脚本跟技能放在一起、走相对路径;个人路径和密钥一律不写进去;调试中踩过的坑记在备注里。

其中最后一条最容易被忽略。成功路径 AI 大概率能自己摸索出来,失败路径它猜不了——那部分只有写的人才知道。

Skill 结构示意

截图位 4:SKILL.md 文件 + outputs 目录树

五、低成本验证:只加载,不执行

技能写完,我没有立刻拿它去下载数据,而是先做了一次冒烟检查:让智能体加载这个技能,说明它的入参、产物和依赖,但这一轮不取数、不写文件;加载失败就如实报错。

这一步花不了多少时间,却能区分两件事:「文档写得看起来没问题」和「技能真的能被加载」。配置模板缺失、相对路径写错这类问题,往往就卡在这里。如果不做这一步,等到正式跑数据时再失败,排查成本会高很多。

六、用第二个靶点检验是否真的可复用

最后一步是换靶点:这次用 TNF-Alpha,PDB ID 为 1TNF,仍然走同一个技能,产物同样落到 outputs。

流程示意

我的判断标准很简单:如果换一个 ID 就得重写流程,那做出来的只是一次性脚本,不是技能。第二组产物顺利生成,这套封装才算通过验证。

截图位 5:1TNF 的产物,与第一组对比

七、复盘:三条我认可的设计原则

原则 我的做法 原因
交付先于过程 先定义产物形态,再让 AI 决定怎么实现 减少中途返工
失败路径优先 在技能里写明异常处理和停止条件 AI 猜不出你的失败场景
第二次使用才算数 换 PDB ID 复跑,作为验收条件 区分脚本与技能

另外两点体会:

  • 作业的产出物其实有两份。 一份是 5O45 的 PDB 和可视化页面,另一份是那个能被复用的技能。前者是一次性结果,后者才是可以带走的工程能力。
  • 隐式前置条件很值得记录。 像配置模板这种跟作业表面无关、却决定后续成败的步骤,写进自己的实践笔记,比写在课程文档里更有价值。

八、小结

这一课的链路可以概括成:环境准备 → 仓库与配置 → 定交付标准并跑通 → 封装技能 → 加载冒烟检查 → 换靶点复跑。

后面几节课还会做科学模型调用、推理性能分析和分子动力学模拟,思路是一样的:把零散的模型与工具组织成工作流,让科研智能体真正承担可重复的任务。

课程资料与作业记录:https://gitlink.org.cn/ccf-ai-infra/Science-Agent-Lab

创作许可协议

本项目采用 CC BY(署名) 进行许可。

评论(0)
- 没有更多了 -