使用AI代理构建药物研发智能助手

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

from strands import Agent, tool
from strands.models import BedrockModel
from strands.agent.conversation_manager import SlidingWindowConversationManager
from strands.tools.mcp import MCPClient

def get_model():
    model = BedrockModel(
        boto_client_config=Config(
            read_timeout=900,
            connect_timeout=900,
            retries=dict(max_attempts=3, mode="adaptive"),
        ),
        model_id="us.anthropic.claude-3-7-sonnet-20250219-v1:0",
        max_tokens=64000,
        temperature=0.1,
        top_p=0.9,
        additional_request_fields={
            "thinking": {
                "type": "disabled"
            }
        }
    )
    return model

1
2
3
4
5
6
7

# 各种科学数据库的MCP客户端
tavily_mcp_client = MCPClient(lambda: stdio_client(
    StdioServerParameters(command="python", args=["application/mcp_server_tavily.py"])
))
arxiv_mcp_client = MCPClient(lambda: stdio_client(
    StdioServerParameters(command="python", args=["application/mcp_server_arxiv.py"])
))

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

@tool
def planning_agent(query: str) -> str:
    """
    专门的分析研究查询并确定应使用哪些工具和数据库进行调查的规划代理
    """
    planning_system = """
    您是药物发现研究的专业规划代理。您的角色是：
    
    1. 分析研究问题以识别靶蛋白、化合物或生物机制
    2. 确定哪些数据库最相关（Arxiv、PubMed、ChEMBL、ClinicalTrials.gov）
    3. 为每个相关数据库生成特定的搜索查询
    4. 创建结构化的研究计划
    """
    model = get_model()
    planner = Agent(
        model=model,
        system_prompt=planning_system,
    )
    response = planner(planning_prompt)
    return str(response)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

@tool
def synthesis_agent(research_results: str) -> str:
    """
    将研究发现合成为综合报告的专业代理
    """
    system_prompt = """
    您是药物发现研究的专业合成代理。您的角色是：
    
    1. 整合来自多个研究数据库的发现
    2. 创建全面、连贯的科学报告
    3. 突出关键见解、联系和机会
    4. 以结构化格式组织信息：
       - 执行摘要（300字）
       - 目标概述
       - 研究现状
       - 药物开发状态
       - 参考文献
    """
    model = get_model()
    synthesis = Agent(
        model=model,
        system_prompt=system_prompt,
    )
    response = synthesis(synthesis_prompt)
    return str(response)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

def create_orchestrator_agent(
    history_mode,
    tavily_client=None,
    arxiv_client=None,
    pubmed_client=None,
    chembl_client=None,
    clinicaltrials_client=None,
):
    system = """
    您是药物发现研究的编排代理。您的角色是协调多代理工作流：
    
    1. 协调阶段：
       - 对于简单查询：直接回答，不使用专业工具
       - 对于复杂的研究请求：启动多代理研究工作流
    
    2. 规划阶段：
       - 使用planning_agent确定要搜索的数据库及搜索查询
    
    3. 执行阶段：
       - 将专门的搜索任务路由到相应的研究代理
    
    4. 合成阶段：
       - 使用synthesis_agent将发现整合到综合报告中
       - 在适当时生成PDF报告
    """
    # 聚合来自专业代理和MCP客户端的所有工具
    tools = [planning_agent, synthesis_agent, generate_pdf_report, file_write]
    
    # 从每个MCP客户端动态加载工具
    if tavily_client:
        tools.extend(tavily_client.list_tools_sync())
    
    conversation_manager = SlidingWindowConversationManager(
        window_size=10,  # 维护最后10次交换的上下文
    )
    
    orchestrator = Agent(
        model=model,
        system_prompt=system,
        tools=tools,
        conversation_manager=conversation_manager
    )
    return orchestrator