MedgeClaw
对话即分析：自然语言驱动生物医学研究工作流，集成140个科学技能与R+Python双环境
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
对话即分析：自然语言驱动生物医学研究工作流，集成140个科学技能与R+Python双环境
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你是否曾经对着屏幕发呆——手里有一份 RNA-seq 原始数据，却不知道从哪下手？文献里那个复杂的通路分析命令，敲了十几遍还是报错？写好的脚本跑了两小时，结果图例全是豆腐块中文乱码……这些场景，是每一位生物医学研究者都绕不开的痛。
MedgeClaw 正是为解决这些痛点而生。它将 AI 对话与完整的生物医学分析环境深度融合，让你只需用自然语言描述需求——"帮我分析这份转录组数据，对比治疗组和对照组"——AI 就会自动写代码、执行分析、在 RStudio 或 JupyterLab 中呈现可视化结果。
图1：MedgeClaw 项目 Logo
传统生物信息学分析的效率瓶颈不在于算法本身，而在于人机交互层。一位忙碌的博士后每次做差异表达分析，都要经历：回忆 R 命令语法 → 调试包依赖 → 排查中文字体问题 → 手动导出图片 → 复制到报告——这一套流程往往比实际分析本身还耗时。
MedgeClaw 的作者（xjtulyc）敏锐地捕捉到了这个矛盾。项目基于 OpenClaw（一个连接消息应用到 AI 的对话网关）和 Claude Code（Anthropic 的代码执行代理），引入了 K-Dense 140 个科学技能，构建了一套端到端的自然语言驱动分析流水线。2025 年底发布至今，已在 GitHub 获得 656 颗星，是当前生物医学 AI 辅助工具中值得关注的新生力量。
MedgeClaw 采用经典的三层架构，每一层职责清晰：
由 OpenClaw Gateway 负责。它像一个"万能插座"，同时支持 WhatsApp、Slack、飞书（微信）、Discord 等主流消息平台。用户在任何熟悉的应用里发送指令，Gateway 将其标准化后传给下游。这层还处理身份认证、会话管理和多轮上下文记忆。
Claude Code 是核心执行引擎。它不只是一个 LLM 聊天机器人，而是一个能够：
Claude Code 的每次 bash 命令执行前，都会运行一个"预检"（pre-flight safety check），使用轻量级模型验证命令安全性。这是项目的关键依赖，也是第三方 API 代理兼容性的主要挑战点。
biomed-dispatch 是路由技能，它解析用户意图后，将任务分发到对应的 K-Dense 科学技能或直接交给 Claude Code。K-Dense（作为 git submodule 引入）包含 140 个经过预训练的领域技能，覆盖：
| 技能类别 | 代表技能 |
|---|---|
| 基因组学 | 差异表达分析、富集分析、GWAS 后续分析 |
| 单细胞 | scRNA-seq 降维、轨迹分析、细胞通讯 |
| 药物发现 | ChEMBL 虚拟筛选、SAR 分析 |
| 临床研究 | 生存分析、森林图、Cox 回归 |
| 机器学习 | 模型训练、特征选择、交叉验证 |
项目还内置了三个实用子技能：
用户无需学习任何命令行或 R 语法。典型对话示例：
"分析 data/counts.csv 和 data/meta.csv 的 RNA-seq 数据，对比治疗组和对照组"
Claude Code 会自动：
docker exec medgeclaw Rscript ...）每项分析任务启动后，会自动生成一个 Web 看板，以 2 秒轮询频率从 state.json 读取任务状态。亮点包括：
这个看板由三个零依赖文件组成：dashboard.html + state.json + dashboard_serve.py，非常轻量。
分析环境运行在 Docker 容器中，暴露了两个标准端口：
这意味着用户既可以让 AI 全自动执行，也可以随时接管，在熟悉的 IDE 中手动调整或探索。
| 层级 | 技术选型 |
|---|---|
| 对话网关 | OpenClaw（Node.js） |
| 执行引擎 | Claude Code（Node.js CLI） |
| 分析容器 | Docker（rocker/rstudio:4.3.3 基础镜像） |
| Python 环境 | JupyterLab + uv 包管理器 |
| Python 包 | Scanpy, BioPython, PyDESeq2, lifelines, scikit-learn, matplotlib |
| R 环境 | R 4.3.3 + Bioconductor |
| R 包 | DESeq2, edgeR, limma, Seurat, clusterProfiler, survival, ggplot2 |
| 科学技能 | K-Dense 140 skills（git submodule） |
| 看板前端 | 单文件 HTML（零依赖，CSS 内联） |
| 看板后端 | Python threading HTTP server |
| 消息集成 | 飞书、Slack、WhatsApp、Discord |
Dockerfile 基于 rocker/rstudio:4.3.3（已含 R + RStudio Server），在此基础上安装了：
docker-compose.yml 定义了端口映射、数据卷挂载和环境变量配置。开箱即用，无需手动配置依赖。
MedgeClaw 通过 sync.py 脚本实现与 OpenClaw 的配置文件驱动同步：
这套同步机制使得 MedgeClaw 既可以作为独立工具使用，也可以无缝嵌入已有的 OpenClaw 部署。
能，但要分步骤。
项目提供了完整的快速开始流程：
git clone --recurse-submodules https://github.com/xjtulyc/MedgeClaw
cd MedgeClaw
cp .env.example .env
nano .env # 填写 API key
bash setup.sh
python3 sync.py && openclaw gateway restart
docker compose up -d
openclaw onboard
docker-compose 启动后，RStudio 和 JupyterLab 在本地可用，OpenClaw Gateway 连接消息平台后即可开始对话。
门槛点：
ANTHROPIC_SMALL_FAST_MODEL 环境变量，否则 Claude Code 的预检会因 Haiku 模型不可用而无限挂起Claude Code 生成的 R/Python 代码虽然通常语法正确，但生物信息学分析涉及大量隐式假设（数据格式、批次效应、归一化方法选择）。用户仍需具备一定领域知识来验证 AI 输出。"AI 辅助"而非"AI 全包"是更现实的期望。
Docker 环境配置在本地，所有计算在本地容器中执行。对于 TB 级基因组数据或需要 GPU 加速的深度学习任务，当前架构力有不逮。
项目的核心价值建立在 OpenClaw 和 Claude Code 两个外部系统之上。任一系统的 API 或行为变更都可能影响 MedgeClaw 的稳定性。
项目采用 MIT 许可证，非常开放，但也就意味着没有商业级别的 SLA 保证。医疗或监管场景使用需自行评估合规性。
MedgeClaw 代表了生物医学 AI 工具的一个新兴方向——对话即分析（Conversational Analysis）。它的价值主张是：
"科学家的时间应该花在科学上，而不是花在配置环境和调试命令上。"
随着 Claude Code、Cursor Agent 等 AI 编程工具的能力提升，这类"领域专业知识 + AI 自动化执行"的垂直整合方案正在快速增长。MedgeClaw 的 140 个预训练科学技能库是这个方向上非常扎实的积累。
路线图中还规划了多智能体并行分析（Python + R 同时执行）、自动文献整合、发表级 PDF 报告生成等高价值功能，值得持续关注。
MedgeClaw 是一款工程化程度较高的生物医学 AI 研究助手，通过 OpenClaw + Claude Code + Docker 的三层架构，实现了用自然语言对话驱动完整的生物信息学分析工作流。docker-compose 支持一键部署，实时看板提升了协作透明度，140 个领域技能覆盖了常见分析场景。适合有一定编程基础、希望用 AI 提升研究效率的生物医学科研人员。上手门槛主要在 API Key 配置和第三方端点兼容性处理。