Агент за биомедицинска литература: PubMed и PDB
Малък агент на локален езиков модел: планира няколко търсения, събира резюмета от PubMed и записи от банката с протеинови структури (PDB), пише доклад с номерирани цитати и проверява с код, че номерата съществуват. Човек одобрява плана и чете оригиналите. Блупринтът на NVIDIA за такъв агент е оттеглен и не се събира в 128 GB — затова строим скромна версия с публични източници.
0.0.0.0; кода за PubMed, който връщаше целия XML за всяка статия; фалшивия ключ „not-needed“ и непроверения „AgentIQ trace API“ (блупринтът сега ползва NVIDIA NeMo Agent Toolkit). Добавихме: бележката, че блупринтът на NVIDIA е оттеглен; сметката защо не се събира в 128 GB; правилата на NCBI (3 заявки в секунда, регистриране на tool и email, авторски права върху резюметата); проверка на цитатите с код; одобрение на плана от човек. Кодът за PubMed и PDB е пускан на живо (на обикновена Linux машина, не на GB10); цикълът е пускан с подменен модел.01Какво ще научиш
- Как изглежда агент-изследовател: план → търсене → доклад, и как се пази човек в цикъла.
- Как се пише инструмент, който връща
{източник, текст}, за PubMed и за PDB — и как се спазват правилата на NCBI. - Как се свързва локален модел през Ollama и как се иска план във формат JSON.
- Как да проверяваш цитатите с код — и докъде стига тази проверка.
- Защо блупринтът на NVIDIA не се разгръща на GX10: сметката за паметта.
02Преди да започнеш
- Python 3 и пакетите
requestsиopenai:pip install requests openai. - Работещ Ollama с поне един изтеглен модел (
ollama list). Избери размер по сметката от урока „Какво тежи на GX10“. - Връзка с интернет до
eutils.ncbi.nlm.nih.govиrcsb.org. - Общо разбиране за агента с цитати — виж 04-88; тук се спираме на биомедицинските източници.
| Източник | Условия | Какво значи за теб |
|---|---|---|
| PubMed (NCBI E-utilities) | Най-много 3 заявки в секунда без API ключ, 10 с ключ; регистрирани tool и email; резюметата може да са защитени с авторско право; бележката на NCBI трябва да се вижда в софтуера | Цитирай, не преразпространявай текстове. За масово теглене NCBI предлага официално изтегляне. |
| RCSB PDB | Данните са CC0 1.0 | Свободна употреба; пак посочвай идентификатора. |
| Локален модел | Лицензът на избрания модел (виж страницата му в ollama.com) | Прочети го, ако работата е платена. |
03Стъпки
-
Схемата и къде е човекът
Защо така: моделът не знае какво е писано в литературата — той само подрежда думи. Затова му даваме доказателства и искаме всяко твърдение да сочи към номер. Човекът пази две врати: одобрява плана (преди да се търси) и чете оригиналите (преди да се вярва). Общия цикъл с повече подробности виж в 04-88.
- План — моделът разбива въпроса на 3–5 кратки търсения и избира инструмент за всяко.
- Търсене — кодът вика PubMed и PDB и връща
{източник, текст}. - Доклад — моделът пише само по номерираните доказателства.
- Проверка — кодът търси несъществуващи номера и неупотребени източници.
-
Блупринтът на NVIDIA: защо не го разгръщаме
NVIDIA има „Biomedical AI-Q Research Agent“ — блупринт за такъв агент, с допълнителни инструменти за търсене на молекули. Страницата му в build.nvidia.com към 03.10.2026 гласи „This Blueprint has been deprecated“. Ето защо и без това не е за GX10 (данни от README на блупринта):
Какво Нужда Тестова конфигурация на NVIDIA 5 × H100 по 80 GB (общо 400 GB) или 8 × A100 по 80 GB Модел за разсъждения Nemotron-Super-49B (профил FP8) 49 млрд. параметъра × 1 байт ≈ 49 GB Модел Llama-3.3-70B ≈ 70 GB при 8 бита; ≈ 140 GB при 16 бита Само двата езикови модела ≈ 119 GB в най-добрия случай Какво имаме на GX10 128 GB обща памет — за всичко: система, кеш на модела, четене на PDF, база, инструменти за молекули Диск при всичко локално 435 GB Операционна система и процесор Ubuntu 22.04, 16 процесора (README); GX10 е Arm с DGX OS — не е пускано Извод: двата модела почти изяждат паметта и не остава място за останалото. Затова не пускаме блупринта, а строим малката версия по-долу. Блупринтът е Apache-2.0, но моделите в него имат свои лицензи (виж README).
-
Инструмент 1: PubMed 🌐
Всеки инструмент връща списък от
{"source": "PMID:…", "text": "…"}. Пазимsource, за да може докладът да цитира. Кодът по-долу е пускан на живо:pubmed_search("osimertinib resistance mechanisms NSCLC", 2)върна две статии с резюмета. Паузите са, за да не минеш 3 заявки в секунда.python · bioagent.py (част 1)import time import requests import xml.etree.ElementTree as ET EU = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/" TOOL = "academy-demo" # име на твоя скрипт, без интервали EMAIL = "<твоят-имейл>" # за контакт от NCBI, ако има проблем def pubmed_search(query, n=3): time.sleep(0.4) # не повече от 3 заявки в секунда ids = requests.get(EU + "esearch.fcgi", params={ "db": "pubmed", "term": query, "retmax": n, "retmode": "json", "tool": TOOL, "email": EMAIL}, timeout=30).json()["esearchresult"]["idlist"] if not ids: return [] time.sleep(0.4) xml = requests.get(EU + "efetch.fcgi", params={ "db": "pubmed", "id": ",".join(ids), "retmode": "xml", "tool": TOOL, "email": EMAIL}, timeout=30).text out = [] for art in ET.fromstring(xml).findall("PubmedArticle"): pmid = art.findtext(".//MedlineCitation/PMID") t = art.find(".//ArticleTitle") title = "".join(t.itertext()) if t is not None else "" abstract = " ".join("".join(x.itertext()) for x in art.findall(".//Abstract/AbstractText")) if abstract: # без резюме няма какво да цитираме out.append({"source": f"PMID:{pmid}", "text": f"{title}. {abstract}"}) return out⚠️Правила на NCBIБез API ключ — най-много 3 заявки в секунда, иначе IP адресът може да бъде блокиран. С ключ (от настройките на акаунта в NCBI) — 10 в секунда. Големи задачи — само в уикенда или между 21:00 и 05:00 източно американско време, или през официалното изтегляне. Резюметата може да са защитени с авторско право: показвай ги като цитат към източника, не ги преразпространявай. -
Инструмент 2: PDB 🌐
Банката с протеинови структури (PDB) има търсене по текст и отделен интерфейс за данните на запис. Взимаме идентификатора и заглавието. Пускан на живо: заявката „EGFR kinase osimertinib“ върна записи, между които 6LUD — „Crystal Structure of EGFR(L858R/T790M/C797S) in complex with Osimertinib“.
python · bioagent.py (част 2)def pdb_search(query, n=3): q = {"query": {"type": "terminal", "service": "full_text", "parameters": {"value": query}}, "return_type": "entry", "request_options": {"paginate": {"start": 0, "rows": n}}} r = requests.post("https://search.rcsb.org/rcsbsearch/v2/query", json=q, timeout=30) if r.status_code != 200: # 204 значи „няма резултати“ return [] out = [] for hit in r.json().get("result_set", []): pid = hit["identifier"] core = requests.get(f"https://data.rcsb.org/rest/v1/core/entry/{pid}", timeout=30).json() out.append({"source": f"PDB:{pid}", "text": core["struct"]["title"]}) return out TOOLS = {"pubmed": pubmed_search, "pdb": pdb_search} -
Планът от локален модел 🔒
Ollama говори и на „езика“ на OpenAI на адрес
http://localhost:11434/v1/(по документацията; клиентът иска ключ, но Ollama го игнорира). Поддържа се и режим JSON, с който искаме плана. Заменяш<модел>с име отollama list. Промптовете са на английски, защото източниците са на английски. Тази част не е пускана с истински модел.python · bioagent.py (част 3)import json import re from openai import OpenAI llm = OpenAI(base_url="http://localhost:11434/v1/", api_key="ollama") # ключът се игнорира MODEL = "<модел>" # име от `ollama list` def ask(prompt, json_mode=False): kw = {"response_format": {"type": "json_object"}} if json_mode else {} r = llm.chat.completions.create(model=MODEL, temperature=0.2, **kw, messages=[{"role": "user", "content": prompt}]) return r.choices[0].message.content def make_plan(question): p = ('Split the research question into 3 to 5 short search queries. For each query choose a tool: ' '"pubmed" (literature) or "pdb" (protein structures). ' 'Return ONLY JSON: {"plan":[{"query":"...","tool":"pubmed"}]}\n\nQUESTION: ' + question) return json.loads(ask(p, json_mode=True))["plan"]💡Ако планът не е валиден JSONПо-малките модели понякога връщат счупен JSON иjson.loadsще хвърли грешка. Опитай втори път, смени модела или го помоли по-кратко. Не пускай търсене по план, който не си прочел. -
Събиране и доклад
Следващите функции събират доказателствата без дубликати и карат модела да пише само по тях, с номер в квадратни скоби след всяко твърдение. Обърни внимание: докладът се пише на английски — може да поискаш превод след проверката.
python · bioagent.py (част 4)def gather(plan): seen, evidence = set(), [] for step in plan: tool = TOOLS.get(step.get("tool")) if not tool: continue for item in tool(step["query"]): if item["source"] not in seen: # без дубликати seen.add(item["source"]) evidence.append(item) return evidence def write_report(question, evidence): blocks = "\n\n".join(f"[{i}] ({e['source']}) {e['text']}" for i, e in enumerate(evidence, 1)) p = ("Write a short structured report that answers the question using ONLY the numbered evidence. " "After every claim put the number of its source in square brackets, like [2]. " "If the evidence is not enough, say so. Finish with a 'Limitations' section.\n\n" f"EVIDENCE:\n{blocks}\n\nQUESTION: {question}") return ask(p) -
Проверка на цитатите и одобрение от човек
Тази проверка е пускана (с подменен модел): за доклад с цитати [1], [2] и [9], при шест източника тя върна
invalid: [9]и неупотребени номера 3–6. Тя хваща три неща: номер, който го няма; източник, който никой не цитира; дълъг абзац без нито един цитат. Втората част на файла е и главната функция — тя показва плана и чака „да“ от човек, преди да търси.python · bioagent.py (част 5)def check_citations(report, n_sources): cited = {int(x) for x in re.findall(r"\[(\d+)\]", report)} invalid = sorted(c for c in cited if not 1 <= c <= n_sources) # номера, които ги няма unused = sorted(set(range(1, n_sources + 1)) - cited) # източници, които никой не цитира uncited = [p[:60] for p in report.split("\n\n") if len(p) > 200 and not re.search(r"\[\d+\]", p)] # дълги абзаци без цитат return {"invalid": invalid, "unused": unused, "paragraphs_without_citation": uncited} if __name__ == "__main__": question = input("Въпрос: ") plan = make_plan(question) print(json.dumps(plan, ensure_ascii=False, indent=2)) if input("Одобряваш ли плана? (да/не) ").strip().lower() != "да": raise SystemExit("Спряно: планът не е одобрен.") evidence = gather(plan) report = write_report(question, evidence) print(report) print(check_citations(report, len(evidence)))✅Валиден номер не значи вярно твърдениеКодът проверява само че номерата съществуват. Дали резюмето наистина казва онова, което докладът твърди — само човек може да види. Прочети резюмето на всеки цитиран източник, преди да вярваш на изречението. -
Какво агентът не умее
- Чете само резюмета и заглавия — не пълния текст на статиите.
- PubMed подрежда по свои правила; първите 3 резултата не са „най-добрите“ и не са всички.
- Не оценява качеството на изследванията, не сравнява дози и не дава препоръки за лечение.
- Моделът може да измисли връзка между два източника, които нямат такава. Затова четеш оригиналите.
04Проверка
- Планът се показва и търсене не започва без твоето „да“.
- И двата инструмента връщат
{source, text}и нямат дубликати. - Проверката на цитатите не показва несъществуващи номера.
- Прочел си резюмето на всеки цитиран източник.
- В заявките няма данни на пациенти или поверителен текст.
Тест
1. Колко заявки в секунда препоръчва NCBI без API ключ?
2. Защо не разгръщаме блупринта на NVIDIA на GX10?
3. Какво доказва проверката на цитатите?
4. Кога човек одобрява плана?
05Какво следва
06Източници
- Biomedical AI-Q Research Agent (build.nvidia.com) — страницата е отбелязана като оттеглена (03.10.2026).
- Хранилището на блупринта — README: изисквания, компоненти, условия.
- NCBI: въведение в E-utilities — честота на заявките, ключове,
toolиemail, авторски права. - RCSB: програмно търсене — · RCSB: данни — · RCSB: политика — данните са CC0 1.0.
- Ollama: съвместимост с OpenAI — адрес
/v1/, режим JSON. 🔒 локално - ASUS Ascent GX10: технически данни — Arm процесор, 128 GB обща памет.