WHY AGENT LAYER
为什么模型之上还需要 Agent
模型只回答问题——Agent 解决问题。模型是大脑，Agent 是手和脚
把模型变成行动单元
模型只能生成文本——Agent 能调用工具、调度管线、串联多步计算，把模型的能力落地成可执行的业务流程。
多 Agent 协作
单个模型能力有限——蛋白质 Agent、基因 Agent、肿瘤 Agent 各自专精，编排 Agent 协调拆解任务，像真实生信团队一样工作。
交互式解读
Agent 不只输出文件——它解读结果、回答追问、推荐下一步。把"拿到数字自己判断"升级为"AI 解释含义并给建议"。
ARCHITECTURE
四层架构
层间 MCP 协议通信——对话 → 协作 → 工具 → 计算
对话交互层
L3 · Layer 1自然语言 → Agent 理解意图 → 调度工具 → 生成报告。多轮对话中持续理解上下文，把研究员的模糊提问翻译成精确的计算任务。
多 Agent 协作层
L3 · Layer 2蛋白质 Agent、基因 Agent、健康 Agent 各司其职——编排 Agent 负责拆解任务、分发给领域 Agent、汇总结果。像真实生信团队一样协作。
MCP 工具层
L3 · Layer 3Streamable HTTP 暴露 8+ 工具，JWT 鉴权，per-dev 索引隔离。Agent 通过标准 MCP 协议调用底层计算能力——工具可热插拔，能力可扩展。
计算管线层
L3 · Layer 46 条管线，30+ AI 模型驱动——Docker 容器化，可复现交付。Agent 调度的每一份计算任务都跑在经过验证的管线上。
CAPABILITIES
Agent 能做什么
6 条管线的对话式入口——每个 Agent 封装一条完整的业务能力
蛋白质结构预测
对话式提交序列，Agent 自动调用多模型预测，交叉验证置信度
酶活性评估
DLKcat + FoldX + 三模型交叉验证酶活性变化
基因编辑方案
指定靶基因，Agent 自动生成 gRNA、扫描脱靶、优化密码子
mRNA 设计
从抗原序列到完整 mRNA 设计——一条对话走完
肿瘤精准防控
提交 WGS 数据，Agent 自动注释 → 评分 → 用药 → 新抗原
交互式解读
Agent 不只输出文件——它解读结果、回答问题、推荐方案
MCP TOOLCHAIN
MCP 工具链
8+ 工具通过 Streamable HTTP 暴露，JWT 鉴权——Agent 通过标准协议调用底层计算
il_query
资产动态知识库查询
divo_search
统一混合搜索 (BM25 + BGE-M3)
protein_predict
蛋白质结构预测调度
enzyme_activity
酶活性多模型交叉验证
gene_edit_design
gRNA 设计与脱靶扫描
mrna_design
mRNA 全模块设计
variant_annotation
变异注释与致病性评分
coverage_scanner
管线覆盖度扫描与方案推荐
COMPARISON
Agent vs 传统方式
从"提交任务等数天"到"对话提问实时调度"
| 维度 | 传统方式 | Agent 方式 |
|---|---|---|
| 交互方式 | 提交任务 → 等数天 → 收文件 → 自己解读 | 对话提问 → Agent 实时调度 → 输出结果+解读+推荐 |
| 跨管线协作 | 手动串联，每个管线单独提交 | Agent 自动拆解任务、调度多管线、汇总结果 |
| 结果解读 | 拿到数字自己判断 | Agent 解读含义、交叉验证、推荐下一步 |
| 知识复用 | 每次重复解释背景 | RAG + Investigate Lens 自动检索团队知识 |
STATUS
开发状态
MCP 工具链已上线，对话引擎与领域 Agent 持续迭代
OPEN SOURCE PLATFORM
Agent 运行时治理平台
以上 Agent 能力运行在统一的治理基座上——AGPL-3.0 开源，社区版免费
DiVo Agent Platform — 企业级 AI Agent 运行时治理平台
sealionking/divo-agent-pub
CROSS-LAYER
跨层定位
L3 Agent 层承上启下——向下封装 L2 模型，向上为 L4 计算交付能力
MCP + 多 Agent + RAG——把模型能力封装成对话式业务单元，编排任务、调度工具、解读结果。
USER SCENE
这些 Agent 最终服务谁
B2B2C：每个 Agent 能力通过干计算管线，最终落到这些 C 端用户场景