Claude 这次不是“预测蛋白质”，而是自己跑了 24—48 小时设计实验：1320 个方案里 354 个真结合了
8 月 18 日，Anthropic 放出了一份很值得看的实验：不是让 Claude 回答生物学问题，而是让它完整执行一轮 de novo protein binder design。
实验方式很硬。
Claude Opus 4.8 和 Mythos Preview 被要求连续运行 24—48 小时，围绕 16 个目标蛋白完成一整套设计 Campaign：
研究目标蛋白
→ 选择 epitope
→ 安装开源蛋白设计模型
→ 运行结构预测
→ 优化候选
→ 每个目标交付 30 个设计
→ 两家独立 CRO 原样合成
→ 真正测 binding
最终，15 个目标得到可解释的实验测量。
Claude 在其中 14 个目标上设计出了 binder。
1320 个可靠测量的设计里：
354 个真正发生结合
hit rate = 27%
更有意思的是，每个 Campaign 排名第一的设计里：
49% 真正结合
这不是“另一个模型说它看起来合理”，而是真正进实验室以后测出来的数据。
先说清楚：这不是 Claude 自己发明了蛋白设计模型
Anthropic 明确写了，Claude 使用的所有设计和结构预测模型都是开源模型。
它真正承担的是：
研究
决策
工具选择
软件安装
计算编排
候选筛选
迭代
排序
所以更准确的结构不是：
万能科学模型
而是：
LLM Agent
+ 专业科学模型
+ GPU
+ 实验验证
这其实比“一个大模型什么都做”更接近真正可落地的科学 Agent。
专业领域里，很多强能力早已存在于专用模型中。难点往往是如何把它们串起来，并在几十个中间决策点做出合理选择。
蛋白设计就是一个很典型的例子。
Binder Campaign 里至少要不断判断：
Target construct 选哪一段？
要绑定哪个表面？
该用什么设计方法？
Filter 多严？
值得不值得再跑一次？
最终哪 30 个设计最值得花真钱合成？
这些才是 Agent 的工作量。
16 个目标，比“挑一个成功案例”更有说服力
这次一共做了：
16 targets
其中 15 个有可靠实验测量，Claude 在其中 14 个目标上产生 binder。
这一点很重要。
如果论文只挑一个蛋白：
跑一次
成功一次
很难判断是不是特别适配，或者只是偶然。
现在至少说明，这套 Agent Workflow 能在一小组不同 Target 上重复工作。
当然，16 个还远远不能代表整个蛋白设计空间，但已经比单点 Demo 扎实得多。
单目标跑，Mythos Preview 的 hit rate 到了 35.1%
Anthropic 比较了两种运行方式。
把所有目标放进一个 48 小时 Session：
Mythos Preview：26.7%
Opus 4.8：22.6%
一次只处理一个目标，单个 24 小时 Session：
Mythos Preview：35.1%
这个结果很有工程味。
它提醒我们：
Agent 同时承担更多目标，不一定比集中资源处理单个目标效果好。
这和企业 Agent 一样。
如果一个 Agent 同时负责：
销售
法务
采购
客服
数据分析
上下文和决策空间越来越大，表现可能反而下降。
很多场景真正有效的设计不是“一个超级 Agent”，而是：
一个清晰 Protocol
+ 专门任务上下文
+ 合适工具集
RBX1 这个对照很有意思
论文专门用了一个已有公开设计竞赛的目标：
E3 ligase subunit RBX1
之前公开竞赛：
245 个 de novo designs
9 个结合
Claude：
90 个设计
28 个结合
而且最强的一个 Claude 设计测到：
KD = 3.9 nM
竞赛获胜方案重新合成并在同一 plate 测量：
KD = 45 nM
这当然不能推出“Claude 已经全面超过蛋白工程专家”。
不同实验设置、搜索空间、模型工具和计算预算都可能影响结果。
但它至少说明：
Agent 编排出来的候选
已经能进入真实实验竞争
这比语言模型做一道生物选择题更值得关注。
最关键的一点其实是 single protocol prompt
Anthropic 使用的是一个单一的 Protocol Prompt。
它没有提前为每个目标告诉 Claude：
- epitope；
- scaffold；
- sequence。
换句话说，不是人先做好方案，再让 Claude 点击执行。
给它的是：
如何完成 binder design campaign 的工作规程
然后它自己针对不同 Target 研究和决策。
我觉得这对企业 Agent 的启发非常直接。
很多企业第一步是：
把知识库接给模型
但知识库更像教材。
Agent 真正需要的是：
Protocol
也就是：
先做什么
什么条件下走哪条分支
哪些工具可用
什么结果算失败
失败后是否重试
什么时候停止
最后怎样排序和交付
这比一句“你是一名资深专家”有价值得多。
一个企业版类比：采购 Agent
假设做供应商推荐。
差的 Prompt：
你是一名资深采购专家，
请综合分析供应商并给出建议。
更像 Protocol 的写法：
1. 读取采购需求
2. 检查供应商准入状态
3. 拉取有效报价
4. 比较历史成交价
5. 检查库存与交期
6. 检查质量异常记录
7. 检查风险名单
8. 按既定权重评分
9. 对缺失数据标红
10. 输出前三名与证据
然后 Tool 真正对应：
supplier_registry
quotation_service
inventory
quality_system
risk_service
这才开始像可执行 Agent。
Wet Lab 是这篇论文最重要的“Judge”
AI 科学工作非常容易陷入一个问题：
模型生成
→ 另一个模型打分
→ 宣布成功
这次最终落在：
真实合成
真实 binding measurement
所以最终评价的是现实世界结果。
企业 Agent 也应该这样看。
客服 Agent 的核心指标不是：
Judge 觉得回复很有帮助
而是：
用户问题有没有真正解决
Coding Agent 不是：
Reviewer 模型给 4.8 分
而是：
代码是否真的通过测试
上线后有没有回归
销售 Agent 不是：
邮件写得很漂亮
而是：
有没有形成合格跟进
大模型 Judge 有价值，但最终要尽量落到真实 Outcome。
论文还留下了一套很有价值的数据资产
Anthropic 同时释放了：
Protocol Prompt
1440 个设计的计算模型
1320 个有可靠测量的 binding 数据
这意味着这次工作不只有一篇结论，还留下了可以继续复现和比较的 Benchmark Dataset。
这在 Agent 研究里非常重要。
如果未来另一个模型跑同一 Protocol，就可以比较：
Hit Rate
Top-ranked Hit Rate
Compute
时间
目标覆盖
而不是各自做一套 Demo，然后靠宣传稿比较。
但别把它写成“Claude 已经自动研发新药”
Binder Design 只是药物研发链条的一段。
后面还有大量问题：
功能
选择性
稳定性
毒性
免疫原性
生产
动物实验
临床
所以：
binder hit rate
≠ drug success rate
把 27% 写成“Claude 自动造药成功率 27%”是不准确的。
更合理的结论是：
Claude 已经能自动承担一部分过去高度依赖专家手工编排的计算型蛋白设计 Campaign，并且它产出的候选在真实湿实验中获得了可测量的成功率。
这个边界更重要。
科学家的角色可能会先从“操作员”发生变化
过去一次计算设计 Campaign 需要专业人员不断：
选工具
配参数
提交 GPU
整理结果
调整过滤
继续跑
如果 Agent 能承担越来越多这种 Research + Orchestration 工作，科学家的时间可能更多转移到：
定义 Protocol
选择研究问题
审查关键决策
设计真实实验
分析失败
决定下一轮策略
这和 Coding Agent 很像。
不是“程序员没了”，而是手工执行机械环节的比例下降。
我觉得真正值得记住的是这条闭环
不是 27% 这个单一数字。
而是：
自然语言 Protocol
↓
Agent 自主研究
↓
调用专业模型
↓
生成候选
↓
真实合成
↓
实验测量
↓
返回数据
它意味着 Agent 的 Benchmark 开始从：
“会不会回答”
转向：
“给它一段时间、一套工具和一个真实目标，
它到底能不能完成一轮工作？”
这会是下一阶段科学 Agent，也会是企业 Agent，更值得看的评价方式。
更多企业级 AI 应用、Agent、RAG 与模型工程化内容，我会继续整理在 智元界：
https://www.zyentor.com/