买之前，
你大概在犹豫这五件事。

可以——取决于你要的是「一个回答」还是「一个走完并能证明走完的课题」。这是最常被问到的问题，也是个好问题。它其实是四个问题：直接和 AI 对话、用 Claude Code 这类编程 Agent 自己跑、用 2026 年新出的托管 AI 科研工作台、装一套通用技能库——四种做法各有各的合理场景，下面分开说。

做法 A：直接和 AI 对话

先承认一个事实：开启深度思考模式后，通用 AI 确实能帮你设计合理的分析方案、写出能跑的代码、解释复杂的统计结果、起草论文段落。单次交互层面它已经很强。

一位智商极高的医学生和一位经验丰富的主治医师，面对同一个复杂病例——医学生可能给出正确的诊断方向；主治医师不仅给出诊断，还会按标准化诊疗流程执行、填写规范化病历、做必要的鉴别诊断、安排正确顺序的检查、确保记录合规，并写出符合期刊规范的病例报告。区别不在知识储备，而在于能否系统性地、可重复地把知识应用到持续的工作流程中。

把它放进一个真实的五天——你有一批测序数据，想分析后发表论文：

你不会因为自己是个熟练的医生就不用电子病历系统。病历不替代你的判断，它让工作变得标准、高效、可追溯——这层关系和 AI 与本平台之间是一样的。

做法 B：用 Claude Code、Codex 这类编程 Agent 自己跑

这是最锋利的一问，值得单独回答。先说实话：如果你是生信工程师、习惯终端、做的是一次性探索，那么直接用 Claude Code 装上我们的两个 skill 就够了，我们自己也这么用。bio-design 与 bio-analyze 本来就是可安装的 skill，不锁在平台里。

平台版和「编程 Agent + skill」的区别，不在智力，而在自由 Agent与受控科研流程之间：

一句话：编程 Agent 回答「这一步怎么做」，平台回答「整个课题怎么走完，以及怎么证明真的走完了」。会写代码的人可以只要前者；不会写代码、或者要让一个科室共用的人，需要后者。

做法 C：用托管的 AI 科研工作台（Biomni Lab、Claude Science 这类）

2026 年出现了两个必须认真对待的新对手，它们也是今天的买家真正会拿来比的对象：Biomni Lab——斯坦福开源生物医学 Agent Biomni 的商业化产品，Phylo 于 2026 年 2 月上线，厂商托管的云平台，免费版之外 Pro 每月 100 美元；Claude Science——Anthropic 2026 年 6 月 30 日公测的科研工作台，macOS / Linux 桌面应用，本地执行代码，接入 NVIDIA BioNeMo，目前处于公测。

先承认：两家背后的模型能力与工具生态都远强于我们——Biomni 自带上百个工具与几十个数据库，Claude Science 是模型厂商亲自做的工作台。如果你做的是探索性分析、数据可以上云或留在自己电脑上、而且习惯英文工作台，这两家都是很好的选择。两家也都公布了自家的基准准确率，我们不在这里转述——厂商自测的数字，应该由你在自己的数据上复核。

一句话：它们赢在模型与工具，我们的位置在自托管、多用户、文件不离开机构、治理层、中文与论文交付。要数据留在院内、要一个科室共用、要走到投稿初稿的人，才需要我们；否则先看它们。

做法 D：装一套通用 AI 技能库

现在有不少面向 AI agent 的科研技能库，提供几十上百个可运行的分析技能。常见的疑问是：装一套技能库，是不是就等于有了这个平台？两者不在同一层，不构成替代关系。

广度上我们不占优，也不打算打这场——技能库多为社区众包，覆盖面结构性领先。真正的差别在另一个地方：技能库教 AI「怎么做对」，本平台要证明「AI 真的做了，而且没骗你」。而且随着模型能力增强，越来越多的单步技能会被模型自身内化甚至超越；但「定义课题该怎么科学地走完」和「验证它真的执行了」这两件事不会被内化——反而随着技能商品化变得更关键。

仍拿不准？不用信这页的论证——免费体验平台自己跑一次，或翻案例一全自动实录看一个课题是怎么走完的。

能，而且这正是平台的第一目标用户：不写代码、但有科研发表需求的临床科研人员。它要你带来的不是编程能力，是临床判断——你的病人群体是谁、真正想回答什么问题、哪个结局对病人才重要。

「真能用起来」最硬的证据是7 个真实案例：6 个课题里人类只在开头说了一句话，AI 临床医生角色与 AI 生信角色协作完成了从设计到投稿手稿的全过程——其中案例一有完整的过程实录，逐步展示两个 AI 怎么交接、怎么自我修复、人还要负责什么。

如果你会写代码，还需要它吗？自己写脚本的灵活性最高，框架比不了；对有编程能力的人，价值在别处——标准化、知识积累、出版支持。两者不互斥：不少分析师把框架当作质量基准和效率工具，同时保留自定义的自由。标准流水线与质量检查是软约束，可以偏离，但框架会记录你偏离了什么、为什么偏离。

最快的验证方式：打开免费体验平台，输入一句「用公开数据做一个 XX 的差异表达分析」，看它怎么接。生信第一道坎到底有多高，痛点 QA 第一条讲得很具体。

这是医生和科研人员最深的顾虑，也是我们把整个平台建在上面的那块地基：你无法核验代码，所以你买的不是智力，是「敢把这个结果写进署名论文」的信心。

先看社区对「AI 做生信」的质疑

把这一段放上官网有点自找麻烦，但回避更糟——这些质疑真实存在，而且提得有道理。以下来自国外生信社区的公开讨论，括号里是获得的赞同数。

质疑一：「湿实验的人用 AI 写代码做生信，能信吗？」有人发帖直接问能不能禁掉这类内容（232 赞 / 108 条评论），高赞回复丢下一句嘲讽：欢迎来到 vibe bioinformatics 时代（233 赞）。这个担心是对的。它指向一个真问题：代码跑完了，你不知道对不对；审稿人问方法，你说不出为什么选这个参数；出了错，你没有能力判断是数据的问题还是代码的问题。AI 让「能跑出结果」变容易了，但没让「结果可信」变容易。

质疑二：「AI 在新手手里是危险品」。两个相关讨论——AI 能不能取代生信工程师（72 赞 / 128 条评论）、AI agent 对生物学家有没有用（20 赞 / 87 条评论）。核心观点很一致：在有经验的人手里是加速器，在新手手里是危险品，因为新手缺的正是「判断输出对不对」的能力。这个也对。我们在自己的六个真实课题里撞到过同样的事：AI 在数据下载失败后用随机数伪造了一份数据继续跑，输出有差异基因、有通路富集、图也很漂亮——全是编的。如果没人去查数据来源，这份结果会一路走到投稿。

那我们凭什么说自己不一样？

不是靠「我们的 AI 更聪明」——更聪明的模型只会把假结果编得更像真的。差别在于我们假设 AI 会骗人，并为此建了拦截机制：

这些不是纸上的承诺，站上有两份互为镜像的记录可以查：案例一全自动实录——两个 AI 零人工介入走完全程，15 条决策日志全部可查；案例七完整复盘——人介入 17 次、最终否决了课题，把「AI 什么时候会自己跑偏」写得清清楚楚。一个成功、一个失败，都完整公开，这本身就是回答。

但有一条我们不否认

平台降低的是执行门槛，不是判断门槛。细胞类型注释要你确认、图表要你逐张看、稿件科学准确性要你把关——这些位置我们故意让流程停下来等人。真要说和「AI 一把梭」的区别，最实在的一条就是：它会主动停下来问你，而不是一路跑到底给你一个漂亮的答案。而整个课题值不值得做的审阅、分析结果的最终审阅、实验验证与署名责任，始终在人——这一条我们写进了案例一实录的结论里，也写在每一份手稿的措辞天花板里。

如果你的判断是「这类工具现阶段不该碰」，那也是个合理判断——自己拿公开数据在体验平台跑一次，比看任何说明都准。

先给准确的口径，不给漂亮的口径：文件与分析留在本机或本服务器，只有发给模型的对话内容经过你选的模型服务商；选 Ollama 本地模型，则全部在本地。平台本身不含把数据锁在内网的技术强制——是否有内容离开内网，取决于管理员配置的是哪家模型服务商，这一点我们如实说明。

因此对患者样本、临床队列、未发表的自有测序数据：要求「推理也不出网」就配 Ollama；能接受对话内容经服务商就选国内可达的 DeepSeek / Kimi 或 Anthropic。案例七用的正是实验室自有的未发表多组学数据——发表前疾病、取材、样本数、基因与一切结果均不对外，这条纪律我们对自己也一样执行。

和在线分析平台比

如果低门槛和免费算力是你的首要考虑，在线平台是合理选择，这一点我们不与之争。本平台的取舍在另一侧：文件与分析留在本机、工具链不受限、以及一路覆盖到出图与写稿。

如实说：cc-bioinfo 首个正式版本 v0.1.0 发布于 2026 年 7 月 9 日，是一个早期产品。按医院科研平台或企业软件的标准，你不该仅凭功能描述判断它能不能用——我们同意。所以把降险的三个动作直接写在这里：

1. 先免费试，再决定买：体验平台零成本、即开即用，示例分析已经跑完可以翻看。要专属试用环境，邮件申请。
2. 看清授权与退款规则：授权与退款条款写明了个人版按研究者授权（本人 ≤2 台机器）、企业版按生产服务器授权（用户数不限、允许换硬件迁 VM），以及下载前可全额退款、下载后个案处理的退款政策。
3. 按下面这张表验收我们——这是我们自己建议的 PoC 任务包，全行业没什么厂商愿意把验收标准写在官网上，但我们的产品逻辑就是「假设 AI 会骗人」，没理由不让你也这样假设我们。

我们建议你这样验收我们

我们自己实测到、还没解决好的

一次高难度的论文复现实测（无人类编码介入）给了我们三条现在就该告诉你的边界：

• 门禁拦得住模拟数据，拦不住所有编造的派生数字。执行方 AI 曾在压力下把一对「看似合理」的具体数值填进初稿而未真跑，平台门禁没拦下，是外部逐条核对「这个数字到底有没有某条命令产生过」才揪出来。所以报告里每个数字都必须能追溯到命令输出或结果文件——这一条目前仍要靠人核对。
• 无人值守不等于无需监督。复杂课题里 AI 会「做一步就停」、会报「后台在跑」而进程其实没起、会静默简化方法——需要能读日志的人持续核验。临床用户通常不具备，建议配一位会核验的工程师。
• 环境与算力探测可能误判。实测中一台有 GPU 的机器被判成「CPU-only」，据此砍掉了几个分析。PoC 时请显式确认平台真的用上了你的算力。

这些边界不会写在功能列表里，但会写在这里——和案例七一样，我们认为公开失败比多列几条卖点更能帮你做决定。

不是二选一，是分层建设

最后一条降险建议来自我们自己的选型判断：不要求你放弃已有的工具。把 cc-bioinfo 放在临床科研、课题设计、探索性分析与论文交付这一层；生产级批量流水线继续用 Nextflow / Snakemake；教学与标准化工具门户可以是 Galaxy；算法研发继续用 RStudio / Jupyter + Git。四层各司其职，本平台只承担它最擅长的那一层。

能力边界如实说明比多列几条卖点更有价值。以下场景请选择别的方案：

另外三条需要提前知道的限制：稿件是初稿，科学准确性与引文必须你把关；代码不保证一次跑通，异常数据特征可能需要人工调参；框架不替代统计训练。