⚡

工具宇宙Skill tooluniverse

ToolUniverse 是一个统一的生态系统，使AI代理能够作为研究科学家工作，提供对600多种科学工具的标准化访问。它用于科学工具发现、执行计算生物学工作流、访问OpenTargets/PubChem/UniProt等数据库，以及构建自动化研究管道。关键词：科学工具、AI代理、生物信息学、药物发现、工作流集成、工具发现。

AI智能体 0 次安装 0 次浏览 更新于 3/16/2026

名称: tooluniverse 描述: 在涉及生物信息学、化学信息学、基因组学、结构生物学、蛋白质组学和药物发现的科学研究和工具工作流时使用此技能。此技能提供对600多种科学工具的访问，包括机器学习模型、数据集、API和分析包。用于搜索科学工具、执行计算生物学工作流、组合多步研究管道、访问数据库如OpenTargets/PubChem/UniProt/PDB/ChEMBL、执行研究任务中的工具发现，或将科学计算资源集成到LLM工作流中。

ToolUniverse

概述

ToolUniverse 是一个统一的生态系统，使AI代理能够作为研究科学家工作，提供对600多种科学资源的标准化访问。使用此技能来发现、执行和组合跨多个研究领域的科学工具，包括生物信息学、化学信息学、基因组学、结构生物学、蛋白质组学和药物发现。

关键能力:

  • 访问600多种科学工具、模型、数据集和API
  • 使用自然语言、语义搜索或关键词发现工具
  • 通过标准化AI-工具交互协议执行工具
  • 为复杂研究问题组合多步工作流
  • 通过模型上下文协议（MCP）与Claude Desktop/Code集成

何时使用此技能

使用此技能当:

  • 按功能或领域搜索科学工具（例如，“查找蛋白质结构预测工具”）
  • 执行计算生物学工作流（例如，疾病靶点识别、药物发现、基因组学分析）
  • 访问科学数据库（OpenTargets、PubChem、UniProt、PDB、ChEMBL、KEGG等）
  • 组合多步研究管道（例如，靶点发现 → 结构预测 → 虚拟筛选）
  • 处理生物信息学、化学信息学或结构生物学任务
  • 分析基因表达、蛋白质序列、分子结构或临床数据
  • 进行文献搜索、通路富集或变异注释
  • 构建自动化科学研究工作流

快速开始

基本设置

from tooluniverse import ToolUniverse

# 初始化和加载工具
tu = ToolUniverse()
tu.load_tools()  # 加载600多种科学工具

# 发现工具
tools = tu.run({
    "name": "Tool_Finder_Keyword",
    "arguments": {
        "description": "疾病靶点关联",
        "limit": 10
    }
})

# 执行一个工具
result = tu.run({
    "name": "OpenTargets_get_associated_targets_by_disease_efoId",
    "arguments": {"efoId": "EFO_0000537"}  # 高血压
})

模型上下文协议（MCP）

用于Claude Desktop/Code集成:

tooluniverse-smcp

核心工作流

1. 工具发现

为研究任务查找相关工具:

三种发现方法:

  • Tool_Finder - 基于嵌入的语义搜索（需要GPU）
  • Tool_Finder_LLM - 基于LLM的语义搜索（无需GPU）
  • Tool_Finder_Keyword - 快速关键词搜索

示例:

# 通过自然语言描述搜索
tools = tu.run({
    "name": "Tool_Finder_LLM",
    "arguments": {
        "description": "查找用于RNA测序差异表达分析的工具",
        "limit": 10
    }
})

# 查看可用工具
for tool in tools:
    print(f"{tool['name']}: {tool['description']}")

参见 references/tool-discovery.md 获取:

  • 详细发现方法和搜索策略
  • 领域特定关键词建议
  • 查找工具的最佳实践

2. 工具执行

通过标准化接口执行单个工具:

示例:

# 执行疾病-靶点查找
targets = tu.run({
    "name": "OpenTargets_get_associated_targets_by_disease_efoId",
    "arguments": {"efoId": "EFO_0000616"}  # 乳腺癌
})

# 获取蛋白质结构
structure = tu.run({
    "name": "AlphaFold_get_structure",
    "arguments": {"uniprot_id": "P12345"}
})

# 计算分子属性
properties = tu.run({
    "name": "RDKit_calculate_descriptors",
    "arguments": {"smiles": "CCO"}  # 乙醇
})

参见 references/tool-execution.md 获取:

  • 跨领域的真实执行示例
  • 工具参数处理和验证
  • 结果处理和错误处理
  • 生产使用的最佳实践

3. 工具组合和工作流

为复杂研究工作流组合多个工具:

药物发现示例:

# 1. 查找疾病靶点
targets = tu.run({
    "name": "OpenTargets_get_associated_targets_by_disease_efoId",
    "arguments": {"efoId": "EFO_0000616"}
})

# 2. 获取蛋白质结构
structures = []
for target in targets[:5]:
    structure = tu.run({
        "name": "AlphaFold_get_structure",
        "arguments": {"uniprot_id": target['uniprot_id']}
    })
    structures.append(structure)

# 3. 筛选化合物
hits = []
for structure in structures:
    compounds = tu.run({
        "name": "ZINC_virtual_screening",
        "arguments": {
            "structure": structure,
            "library": "lead-like",
            "top_n": 100
        }
    })
    hits.extend(compounds)

# 4. 评估药物相似性
drug_candidates = []
for compound in hits:
    props = tu.run({
        "name": "RDKit_calculate_drug_properties",
        "arguments": {"smiles": compound['smiles']}
    })
    if props['lipinski_pass']:
        drug_candidates.append(compound)

参见 references/tool-composition.md 获取:

  • 完整工作流示例（药物发现、基因组学、临床）
  • 顺序和并行工具组合模式
  • 输出处理钩子
  • 工作流最佳实践

科学领域

ToolUniverse 支持600多种工具，覆盖主要科学领域:

生物信息学:

  • 序列分析、比对、BLAST
  • 基因表达（RNA-seq、DESeq2）
  • 通路富集（KEGG、Reactome、GO）
  • 变异注释（VEP、ClinVar）

化学信息学:

  • 分子描述符和指纹
  • 药物发现和虚拟筛选
  • ADMET预测和药物相似性
  • 化学数据库（PubChem、ChEMBL、ZINC）

结构生物学:

  • 蛋白质结构预测（AlphaFold）
  • 结构检索（PDB）
  • 结合位点检测
  • 蛋白质-蛋白质相互作用

蛋白质组学:

  • 质谱分析
  • 蛋白质数据库（UniProt、STRING）
  • 翻译后修饰

基因组学:

  • 基因组组装和注释
  • 拷贝数变异
  • 临床基因组学工作流

医学/临床:

  • 疾病数据库（OpenTargets、OMIM）
  • 临床试验和FDA数据
  • 变异分类

参见 references/domains.md 获取:

  • 完整领域分类
  • 按学科的示例工具
  • 跨领域应用
  • 按领域的搜索策略

参考文档

此技能包括全面的参考文件，提供特定方面的详细信息:

  • references/installation.md - 安装、设置、MCP配置、平台集成
  • references/tool-discovery.md - 发现方法、搜索策略、列出工具
  • references/tool-execution.md - 执行模式、真实示例、错误处理
  • references/tool-composition.md - 工作流组合、复杂管道、并行执行
  • references/domains.md - 工具按领域分类、用例示例
  • references/api_reference.md - Python API文档、钩子、协议

工作流: 当帮助特定任务时，参考相应文件获取详细说明。例如，如果搜索工具，查阅 references/tool-discovery.md 获取搜索策略。

示例脚本

两个可执行示例脚本演示常见用例:

scripts/example_tool_search.py - 演示所有三种发现方法:

  • 基于关键词的搜索
  • 基于LLM的搜索
  • 领域特定搜索
  • 获取详细工具信息

scripts/example_workflow.py - 完整工作流示例:

  • 药物发现管道（疾病 → 靶点 → 结构 → 筛选 → 候选）
  • 基因组学分析（表达数据 → 差异分析 → 通路）

运行示例以了解典型使用模式和工作流组合。

最佳实践

  1. 工具发现:

    • 从广泛搜索开始，然后根据结果细化
    • 使用 Tool_Finder_Keyword 进行已知术语的快速搜索
    • 使用 Tool_Finder_LLM 处理复杂语义查询
    • 设置适当的 limit 参数（默认: 10）

  2. 工具执行:

    • 执行前始终验证工具参数
    • 为生产工作流实现错误处理
    • 验证输入数据格式（SMILES、UniProt IDs、基因符号）
    • 检查结果类型和结构

  3. 工作流组合:

    • 在组合完整工作流之前单独测试每个步骤
    • 为长时间工作流实现检查点
    • 考虑远程API的速率限制
    • 当工具独立时使用并行执行

  4. 集成:

    • 初始化ToolUniverse一次并重复使用实例
    • 在启动时调用 load_tools() 一次
    • 缓存频繁使用的工具信息
    • 启用日志记录以进行调试

关键术语

  • 工具: 可通过ToolUniverse访问的科学资源（模型、数据集、API、包）
  • 工具发现: 使用搜索方法（Finder、LLM、Keyword）查找相关工具
  • 工具执行: 通过 tu.run() 使用特定参数运行工具
  • 工具组合: 链接多个工具进行多步工作流
  • MCP: 与Claude Desktop/Code集成的模型上下文协议
  • AI-工具交互协议: LLM-工具通信的标准化接口

资源