如果你读过上一篇关于 Claude 蛋白质设计的文章，你可能已经记住了 14/15 这个数字，也知道了通用 Agent 开始编排专业工具、算力和湿实验。

但那篇文章留下了一个没有拆开的问题：Claude 究竟是被什么驱动的？

答案不是一句巧妙的提示词。

429 个词，和 16,281 个词

Anthropic 公开了驱动这场实验的全部文本。启动每一轮 campaign 的用户消息——也就是 kickoff message——只有 429 个英文词。它的作用大致相当于按下一个开关：告诉 Claude 任务开始了，靶点已经写在系统上下文里。

真正作为每一个 Agent 系统上下文的，是一份 16,281 个英文词的协议提示词（protocol prompt）。它被加载为 campaign 中每一个 Agent——包括主 Agent 和它派生出的子 Agent——的 system prompt。换句话说，429 词是点火，16,281 词是整台发动机。

这份协议不指定任何靶点的结合区域，不指定用哪种蛋白质骨架生成方法，不预设任何氨基酸序列。它只规定一件事：一个专家级的蛋白质设计 campaign 应该怎么跑。

Anthropic 的技术报告把这份协议拆成了 15 个主题块，并统计了每一块的词数。结果揭示了一个很有传播力的反差：

  • 科学与工具（Science and tooling）：5,570 词，占 34.2%；
  • 编排与验证（Orchestration and verification）：5,646 词，占 34.7%；
  • 运营（Operations）：5,065 词，占 31.1%。

只有约三分之一的篇幅在讲蛋白质科学和工具知识。其余约三分之二，都在规定组织怎么搭、时间怎么分配、预算怎么花、结果怎么验证、失败怎么处理、最终交付什么。

这不是一份普通的提示词。这是一套被写成自然语言、能够被 Agent 执行的科研操作系统。

第一层：把专家知识编码进去

科学部分的 5,570 词，是 Claude 设计蛋白质时赖以工作的知识基底。

最大的一块是“评分工具与验证门”（Scoring instrument and validation gates），1,810 词，占整个协议的 11.1%。它详细规定了 Claude 应该用什么分数给候选设计排序——一个由 ESMFold2、ESMFold2-Fast 和 Protenix v2 三个共折叠预测器组成的 z-score 集成，再加上自一致性 DockQ 作为校验。这个评分函数不是 Claude 自己发明的，而是 Anthropic 团队预先在公开基准上验证过、写死在协议里的。

接下来是“设计与预测工具菜单”（980 词），列出了允许使用的开源工具——RFdiffusion、BindCraft、BoltzGen、ProteinMPNN 等等——以及它们的许可证和可安装性。协议要求七种指定的结构生成方法每个靶点至少贡献 50 个骨架，最终 30 个设计必须来自至少三种方法，且单一方法不超过一半。这是一种用配额保证多样性的制度设计。

再往下是“设计策略与多样性”（632 词）、“预评分过滤与来源记录”（562 词）、“靶点档案与表位”（424 词）、“任务、靶点与交付物”（418 词）、“硅内优化”（418 词）和“参考文献与离线语料”（326 词）。

值得注意的是“靶点档案与表位”只有 424 词。协议给每个靶点只提供了名称、UniProt 编号、物种、寡聚状态和必要的辅因子——没有告诉 Claude 应该结合蛋白质的哪个表面。选择哪个区域、追求哪个表位，完全留给 Claude 自己判断。

科学部分的本质是：把一名资深蛋白质设计工程师头脑中的“什么值得做、用什么做、做到什么标准算合格”，写成可执行的文本。但它只占整个协议的三分之一。

第二层：把组织结构编码进去

如果说科学部分回答了“做什么”，编排部分回答的就是“谁来做、怎么协作”。

这一部分有 5,646 词，甚至比科学部分还多一点。最大的块是“验证与排序规则”（Verification and ranking rules），2,205 词，占整个协议的 13.6%——比任何一个单独的科学模块都大。它规定 Claude 在交付前必须做哪些检查：评分是否在已知 binder 上有效、候选是否与已知蛋白相似、序列组成是否有问题、设计之间是否重复。这些检查不是建议，而是交付前必须通过的门。

第二大块是“时间线与时钟纪律”（Timeline and clock discipline），1,253 词。它把 48 小时或 24 小时的 wall clock 切成阶段：第一小时必须完成工具的构建和验证，前若干小时用于大规模筛选，中段用于优化，最后阶段用于最终评分和排序。Claude 必须自己盯着时钟，在每个阶段结束前推进到下一步，而不是在某个环节无限迭代。

然后是“子 Agent 与委派”（Sub-agents and delegation），1,017 词。协议规定了一个两层的 Agent 团队结构：主 Agent 负责整体策略和最终决策，子 Agent 被派去执行具体任务——安装某个工具、跑一批生成、做一次评分。主 Agent 必须监督子 Agent 的输出，检查失败，决定重试还是换方法。这本质上是把一个项目负责人和一组执行者的关系，写成了自然语言的组织章程。

还有“后勤、隔离、自主与安全”（781 词），规定网络域名白名单、凭证管理、容器隔离、哪些操作需要人类批准、哪些可以自主决定。以及“文献触发”（Literature triggers），390 词，规定 Claude 在什么情况下应该去查论文、查什么、查到什么程度就够了。

这一部分的核心洞察是：让一个 Agent 连续跑 48 小时不出轨，靠的不是模型足够聪明，而是组织结构被写得足够清楚。谁负责什么、什么时候检查、失败了怎么办、什么可以自主决定、什么必须上报——这些通常存在于团队默契和项目管理工具中的东西，现在全部进了同一份文本。

第三层：把预算与时间编码进去

运营部分有 5,065 词，其中最大的一块是“计算预算与节奏调节器”（Compute budget and pacing governor），2,890 词，占整个协议的 17.7%——这是 15 个模块中最大的单一块。

它的存在本身就很说明问题。一份蛋白质设计的“提示词”里，篇幅最大的单一模块不是科学方法，而是怎么花钱。

多靶点 campaign 的计算预算是 5 万美元，48 小时；单靶点是 1 万美元，24 小时。这些钱通过 Modal 花在云 GPU 上。协议详细规定了 Claude 应该如何在固定预算内分配算力：筛选阶段用多少、优化阶段用多少、最终评分用多少；什么时候该省着用、什么时候可以放开跑；如果某个工具特别贵，是否应该减少它的使用比例。

这不是简单的“给你一个上限，别超了”。它是一套动态的预算治理机制：Claude 必须持续监控已花费和剩余时间，根据进展调整策略。如果前期筛选消耗超预期，后期就必须压缩优化轮次；如果某个靶点进展顺利，可以把剩余预算转移给更困难的靶点。

第二大块是“交付物与报告”（Deliverables and reporting），2,175 词。它规定 Claude 最终必须交付什么：每个靶点 30 个排名设计，附带完整的决策记录——用了什么工具、什么参数、为什么过滤掉某些候选、为什么这样排序。这些记录不是可选项，而是交付物的一部分。

把预算和交付写进协议的意义在于：Agent 不再是“能跑多久跑多久、能出多少出多少”的黑箱。它在一个有预算、有截止日期、有明确交付标准的制度框架内运行。这和一个真实的研发项目没有本质区别——只是项目经理、财务和 QA 的角色，现在都由同一份文本承担了。

第四层：把验证、失败和责任编码进去

把上面三层合在一起看，你会发现这份协议最核心的设计哲学：它假设 Claude 会犯错，然后为犯错写好了制度。

验证与排序规则（2,205 词）是第一道防线。它要求 Claude 在交付前用已知 binder 校准评分函数，确保自己用的分数在这个靶点上真的有区分度。如果评分在已知样本上失效，Claude 必须调整策略，而不是硬着头皮交付。

预评分过滤（562 词）是第二道防线。在花算力做昂贵的共折叠评分之前，先用便宜的规则筛掉明显不合格的设计：与已知蛋白太相似的、彼此重复的、序列组成有问题的。这一步减少了浪费，也减少了后期被异常值带偏的风险。

时钟纪律和预算调节器是第三道防线。它们防止 Claude 在某个局部最优上无限迭代，确保即使进展不顺利，也能在时间和预算耗尽前拿出一批可交付的结果。

子 Agent 监督机制是第四道防线。主 Agent 必须检查子 Agent 的输出，识别失败，决定重试或换路。基础设施故障——网络断了、容器崩了、GPU 节点没了——由 Claude 自己检测和绕过，只有在会话因基础设施原因死亡时，人类才发一条简短的、非技术性的恢复指令。

但协议也明确划出了人类不可替代的边界。人类选择靶点，编写协议，提供云 GPU 账户和固定预算，下合成订单，解释结合数据。Claude 不能修改已经交付的设计，也不能在看到湿实验结果后补做一轮。所谓“自主”，发生在这套明确搭好的围栏之内。

这不是把责任甩给 Agent。恰恰相反，这是把责任拆解得更清楚：谁定义问题、谁提供资源、谁执行流程、谁验证结果、谁做最终判断，每一环都有明确的归属。

为什么它更像操作系统，而不是 SOP

你可能会说，这不就是一份标准操作流程（SOP）吗？

不完全是。SOP 是给人看的，人读了之后用自己的判断力执行。这份协议是给 Agent 读的，Agent 读了之后直接执行——没有一个人类中层在中间翻译和裁决。

更关键的区别在于，SOP 通常只规定“做什么”，而这份协议还规定了“怎么组织做这件事的系统”。它包含：

  • 进程管理：子 Agent 的派生、监督和回收；
  • 资源调度：GPU 预算在不同阶段和靶点之间的分配；
  • 时间片：wall clock 被切成阶段，每个阶段有明确的进入和退出条件；
  • 错误处理：工具失败、基础设施故障、结果异常时的重试和降级策略；
  • I/O 规范：交付物的格式、内容和完整性要求；
  • 安全边界：网络白名单、凭证管理、自主决策与人类审批的分界线。

这些概念听起来是不是很熟悉？它们就是操作系统的核心功能。只不过传统操作系统管理的是硬件资源和进程，这份协议管理的是算力、工具、Agent 和科研流程。

Anthropic 团队在测试 campaign 中反复迭代了编排和运营部分，直到 Claude 能够可靠地维持 24 到 48 小时的运行、按预期用完整个预算，然后才把协议冻结，用于正式报告中的所有 campaign。这个过程——写规则、跑测试、调规则、再跑——和开发一个操作系统的内核没有本质区别。

这对企业与科研组织意味着什么

如果这份协议的范式成立，它对科研组织和企业研发的影响可能比“Claude 会设计蛋白质”更深。

第一，专家经验的载体变了。过去，一名资深研究员的价值在于他头脑中的隐性知识——知道什么时候该换方法、知道哪个结果可疑、知道怎么在预算内拿到可交付的成果。这些知识很难传承，人走了就带走了。现在，这些知识可以被写成协议，成为组织可复用的制度资产。

第二，研发项目的启动成本变了。过去，启动一个新的计算生物学项目需要凑齐一组专家、搭建环境、磨合流程。现在，如果有一份写好的协议，一个 Agent 就可以在准备好的计算环境中自主运行。这不是说专家不重要了，而是专家的价值从“亲自执行”转向“设计和维护执行系统”。

第三，组织的核心竞争力变了。未来的 AI4S 团队，差距可能不在于谁的模型更大，而在于谁能把领域知识、工具链、预算治理、验证机制和交付标准写成高质量的可执行协议。协议的质量——它是否覆盖了足够多的边界情况、是否有合理的失败处理、是否能在固定资源内稳定产出——可能比模型本身的差异更能决定最终结果。

第四，责任结构变了，但没有消失。Agent 可以自主执行流程，但不能替组织决定一个结果是否值得相信、是否值得投入下一阶段。人类从执行者变成了制度设计者和最终裁决者。这个迁移不是降级，而是责任的聚焦——从“做对每一步”转向“设计一个能让每一步都做对的系统”。

未来稀缺的可能不是 Prompt Engineer，而是任务架构师

这份 16,281 词的协议，不是一个人坐在桌前“想了一个好 prompt”写出来的。它是 Anthropic 团队把蛋白质设计专家的工作知识、项目管理的组织方法、云计算的预算治理和科研验证的质量标准，融合在一起反复迭代的产物。

写这份协议需要的能力，不是“会跟 AI 说话”，而是：

  • 理解一个领域的专家究竟在做什么决策、依据什么标准；
  • 把隐性的专家判断转化为显性的、可执行的规则；
  • 设计 Agent 团队的组织结构和委派机制；
  • 建立预算、时间和资源的动态治理；
  • 为失败和异常写好降级和重试路径；
  • 定义可验证、可审计的交付标准；
  • 划定人类和 Agent 之间的责任边界。

这更接近系统架构师和制度设计者的工作，而不是提示词工程师的工作。如果 Agent-first 的科研方式继续发展，能够设计高质量任务协议的人——我们姑且称之为“任务架构师”——可能会成为最稀缺的角色之一。

他们不直接做科研，也不直接写代码。他们设计的是让科研能够被 Agent 可靠执行的制度。

而这，可能才是 Claude 这次蛋白质设计实验最值得带走的东西。14/15 会被下一个数字覆盖，但“把科研项目写成可执行操作系统”这个思路，才刚刚开始。

事实、推断与未知

  • 事实：Anthropic 公开的多靶点协议提示词约 16,000 词，作为 campaign 中每个 Agent 的 system prompt 加载；技术报告的 Figure M2 将其分为 15 个主题块，其中科学与工具占 34.2%，编排与验证占 34.7%，运营占 31.1%；最大的单一模块是计算预算与节奏调节器（2,890 词，17.7%）；多靶点 campaign 预算 5 万美元/48 小时，单靶点 1 万美元/24 小时；所有协议提示词和 kickoff 消息已公开发布。
  • 推断：这份协议的本质不是提示词而是可执行的科研操作系统；它把专家知识、组织结构、预算治理、验证机制和交付标准编码进同一份自然语言文档；Agent-first 科研中，任务协议的质量可能比模型差异更能决定结果。
  • 未知：这种协议范式在蛋白质设计之外的领域迁移效果如何；编写高质量协议所需的时间和专业门槛；协议在不同模型上的可移植性；长期运行中协议本身的维护和版本管理成本；以及当 Agent 可以设计具有生物活性的分子时，协议治理能否替代更广泛的安全和伦理审查。