BioClaw：把 AI 生信助手装进聊天群

一款让生物学家「在群里」做研究的工具

想象这样一个场景：你和同事拉了一个微信群或 WhatsApp 群，在里面讨论课题。某天有人问：「这个蛋白的 BLAST 结果谁有？」你不用打开服务器、登录命令行、敲一串参数——直接 @BioClaw，发一句「帮我用 BLAST 搜一下这条序列」，两分钟后一张 publication-quality 的图直接出现在群里。

这听起来像科幻，但 BioClaw 已经把它变成了现实。

BioClaw 是一个构建在 NanoClaw 架构之上的 AI 生信研究助手。研究者通过在任何主流聊天平台（WhatsApp、飞书、企业微信、Discord、Slack、QQ 等）@BioClaw，即可调用一个运行在 Docker 容器中的 Claude Agent，完成从序列比对、蛋白质结构可视化、FastQC 质控，到 PubMed 文献检索的全套生物信息学任务。

---

背景：生信工具碎片化的痛点

过去十年，生物信息学迎来了爆发式增长。NCBI 的 BLAST、UCSF 的 PyMOL、HPC 集群上的 SAMtools……工具越来越多，但研究者面临一个共同困境：工具分散、环境各异、学习曲线陡峭。

一个典型的生信分析流程可能需要：SSH 登录服务器 → 切换 conda 环境 → 安装依赖 → 跑脚本 → 导出结果 → 截图或手动整理汇报。每个步骤都可能出岔子：库版本冲突、网络不通、权限问题……

更痛苦的是团队协作——实验生物学家和生物信息学家往往不在同一台机器上，共享分析脚本和数据需要反复传输，版本管理一团混乱。

BioClaw 的核心洞察是：研究者最熟悉的界面是聊天工具，而不是命令行。与其让人去适应工具，不如把工具带到人熟悉的场景里。

---

技术架构：聊天平台 × AI Agent × Docker 隔离

BioClaw 的架构分为三层：

第一层：消息接入（Channels）

项目采用通道注册表模式（channels/registry.ts），每种聊天平台对应一个独立的 channel adapter。目前已支持：

平台	文件	特点
WhatsApp	channels/whatsapp/channel.ts	默认通道，基于 Baileys SDK，支持 QR 码认证
飞书	channels/feishu.ts	基于 Lark Node SDK
企业微信	channels/wecom.ts	集成 AI Bot SDK
Discord	channels/discord.ts	Discord.js 驱动
Slack	channels/slack.ts	Socket Mode
微信	channels/wechat.ts	完整支持
QQ	channels/qq.ts	独立适配
本地 Web	channels/local-web/channel.ts	类 ChatGPT 多线程界面

新增通道只需在 registry 中注册，无需修改核心逻辑，实现了良好的开闭原则。

第二层：消息路由与 Agent 调度（Core）

核心文件 src/control-plane.ts（65KB）是整个系统的大脑，负责消息解析、群组会话管理、任务队列和文件系统隔离。session-manager.ts 维护每个群组的独立状态，group-queue.ts 确保每个群组的任务串行执行。

第三层：AI Agent 容器化执行

关键路径是 src/container-runner.ts 和 src/container-runtime.ts：

1. 用户发消息 → Node.js 进程接收
2. 构造包含 API Key 和用户输入的 JSON，通过 stdin 传入容器
3. Docker 容器内的 Claude Agent 执行分析（容器基于 node:22-slim，预装全部生信工具）
4. 结果通过 IPC 文件传回，Node.js 进程将图像/文本路由回聊天平台

凭证安全设计：credential-proxy.ts 通过 stdin 注入密钥，从不写入磁盘。

---

预装工具：80+ 生信软件的容器镜像

BioClaw 的容器镜像（container/Dockerfile）是一个完整的生信环境，基于 node:22-slim，预装了：

生物信息学工具：

• 比对：BLAST+、BWA、minimap2
• 序列处理：SAMtools、BCFtools、SeqKit、Fastp、Seqtk
• 质控：FastQC、MultiQC
• 定量：Salmon、Kallisto
• 蛋白质：PyMOL（headless）、RDKit
• 组学：Scanpy、AnnData、PyDESeq2、pyGenomeTracks
• 文献：Biopython（PubMed 检索）
• Python 科学计算栈：Pandas、NumPy、SciPy、Matplotlib、Seaborn、Scikit-learn

一个 Docker 镜像解决所有依赖问题，彻底告别「我的服务器上装不了这个库」。

---

多模型支持：Claude / DeepSeek / Gemini 任选

BioClaw 不绑定单一模型。.env 配置支持三种模式：

• Anthropic（默认）：Claude Agent SDK，工具调用能力最强
• OpenRouter：Gemini、DeepSeek、Claude、GPT 等，支持任意 OpenAI-compatible 接口
• OpenAI Codex：复用本地 Codex CLI 登录，无需 API Key

每个群组的工作目录独立，会话历史保存在 Docker 容器内，空闲超时后启动新容器。

---

使用体验：从入门到进阶

新手友好

对于没有技术背景的生物学家，setup.sh 一键安装脚本自动处理：

• Node.js 环境检测和安装
• npm 依赖安装
• Docker 镜像构建（约 5-10 分钟）
• API Key 配置引导

docs/BEGINNER_GUIDE.md 提供了零基础入门文档，覆盖 API 切换、workspace 概念、allowlist 配置等。

进阶玩法

通过 / 命令直接在聊天窗口管理会话：/status、/doctor、/threads、/new、/workspace、/alias 等。每个线程可设置独立工作目录，不同分析任务互不干扰。

---

局限与争议

1. API 成本：Claude Agent 每条消息 token 消耗较高，大规模使用需控制调用频率
2. 容器冷启动延迟：空闲超时后首次分析需等待容器启动（约 30 秒）
3. 环境隔离程度有限：同群组用户共享 workspace，可能存在数据泄露风险

---

项目现状与趋势

BioClaw 于 2025 年中发布，已获得 390 个 GitHub Stars，配套论文发表在 bioRxiv（arXiv:2507.02004）。作者来自波士顿大学（Boston University），技术文档发表于 2026 年。核心贡献来自 STELLA 项目，同时维护 Bioclaw_Skills_Hub 供社区开发者贡献新技能，形成主仓+技能中心的双轨生态。

---

总结

BioClaw 的创新不在于使用了多强大的模型，而在于把正确工具带到了正确的场景。聊天群是科学家最频繁的协作场所，BioClaw 消除了「打开终端」这个步骤，让生信分析变成「发消息等结果」的简单操作。对于需要团队协作的实验室、缺乏编程经验的生物学家，BioClaw 是一个值得尝试的方案。