2026 年 10 月 19 日，Phylo 宣布为 Biomni Lab 引入 Pipelines 功能。智能体可以组织现成分析流程的运行，也能帮助把探索性分析封装起来。但这次升级更值得关注的问题，是一套方法如何交给下一批数据，而不必重新搭建。
同一个问题，智能体可能每次选择不同的分析路径。这种灵活适合探索，但当结果要发表、共享或用于新数据时，方法就需要固定。Biomni 试图把灵活的交互，接到可重复执行的流程上。研究者委托出去的工作，也随之从一次问答延伸到了运行管理。
先接过运行，再把方法留下来
流水线可以理解为一份能够重复执行的实验操作规程：输入什么、先做什么、参数怎么设，都有明确约定。这次升级采用 Nextflow 承载计算步骤，在上层加入智能体协调。但固定步骤不意味着问题已经被正确提出，适用范围仍要先确认。
据官方介绍，智能体会准备样本表等输入、配置运行、安排计算资源、跟踪任务并协助排错，结束后再解读输出。从数据准备到结果交接，运行管理被纳入同一段科研对话。但选择哪套流程、输入是否满足要求，仍是委托前需要讲清的事。
发布稿列出的现成支持名单共有 10 条 nf-core 流程。RNA 测序对应 rnaseq 和 scrnaseq，染色质分析对应 atacseq 和 chipseq。但把它们放进同一入口，解决的是调用与运行的衔接，各类数据的分析要求仍不相同。
名单还包括变异检测 sarek、罕见病与肿瘤分析 raredisease 和 oncoanalyser，以及 methylseq、nanoseq、fetchngs。覆盖范围从数据获取延伸到多种测序分析。但这份名单只能说明官方宣布的接入范围，不能充当不同场景下的效果评测。
234 个任务跑完，能说明多少？
官方展示的 RNA-seq 运行界面里，234 个任务已全部完成，旁边提供日志、运行信息、报告和时间线入口。这张图展示了任务状态如何被呈现。但发布稿没有给出用于性能对照的数据规模、基线或测试设计，不能据此推导整体提速。
执行进度可见，才有机会追问过程中的具体问题。按官方描述，结果会回到原来的 Biomni Lab 会话，研究者可以继续追问或追加分析。但“完成”仍只是执行状态；报告里的数字能否支持研究假设，需要另外检查数据质量、分析设计和证据。
第二条路径更接近团队日常：先与智能体探索数据，尝试不同分析，最后挑出值得保留的步骤。Biomni 可以帮助把这些步骤、输入和参数封装为 Nextflow 工作流。但探索中试过的每条路，都不必自动进入下一次正式分析。
发布稿还列出分析转流程、模块编写、运行验证这 3 类 Nextflow 技能，用来支持上述封装。一次探索可以留下可复用的方法，但流程仍需团队审核与验证。真正要保留下来的，是经确认的分析逻辑，以及下一次运行所需要的输入约定。
开源底座要署名，能力边界也要写清
这套能力建立在不同层次的分工上。Nextflow 提供流程执行与任务组织机制，nf-core 社区提供流程及组件，Biomni Lab 加入智能体交互和运行协调。但底层社区多年积累的工作，不应被一句“AI 自动分析”抹去；nf-core 官网还明确列出了稳定发布与持续集成测试。
Phylo 在文末注明，Biomni Lab 与 Seqera、nf-core 没有隶属、赞助或背书关系。接入开源工作流，也不能直接推出商业平台整体开源。但对研究团队更实际的追问是：最终用了哪个流程版本，改过哪些步骤，参数和环境能否被重新核对？
Nextflow 官方文档说明，缓存能够让运行复用已有任务，但需要匹配的任务记录和仍然存在的输出。恢复执行有条件，不能理解为任何失败都能原地续跑。修改输入、脚本或容器等信息，可能使相关任务重新执行，保存缓存与工作目录也有要求。
因此，研究者还应逐项核对输入数据、参考版本、代码、参数及环境记录；这些是审查清单，不能假定平台已自动保全。可重复执行，仍不足以替代科学验证。但当这些条件有据可查，团队才更有机会解释：两次结果的差异究竟来自哪里？
下一步交给 AI，最后一问留给谁？
Phylo 对未来的设想，是让固定流程处理数据，再由智能体解释中间结果、判断后续分析，随后返回确定的计算步骤。这描述了一种计算与推理交替的科研工作方式。但原稿将它放在展望部分，不能提前当成经过全面验证的端到端能力。
对生信团队而言，值得关注的是把重复运行交出去，同时留下可审查的方法。目前这篇发布稿提供的是能力说明，本文也未进行独立实测。但当下一批数据改变了结论，系统能否帮助定位到样本、参数或方法，而不只交出另一份看似完整的报告？
