Agent之所以重要，不是因为它比普通模型更会聊天，而是因为它开始能够使用外部能力完成任务。Tool Calling让Agent可以调用外部工具；Function Calling让调用过程结构化；Tool Schema定义工具参数和输出格式；Tool Descriptor帮助模型理解工具边界；Tool Registry管理可用工具；Tool Router负责选择合适工具；Tool Retrieva

Agent之所以重要，不是因为它比普通模型更会聊天，而是因为它开始能够使用外部能力完成任务。Tool Calling让Agent可以调用外部工具；Function Calling让调用过程结构化；Tool Schema定义工具参数和输出格式；Tool Descriptor帮助模型理解工具边界；Tool Registry管理可用工具；Tool Router负责选择合适工具；Tool Retrieva

AI Agent不是简单的聊天机器人。Agentic System也不是把几个模型堆在一起。真正的智能体系统，关键在于把目标、任务、动作、观察、规划、执行和反馈组织成一个可运行、可控制、可追踪的过程。AI Agent让模型开始围绕目标行动；Agentic System让多个智能体和工具形成协作体系；Autonomous Agent强调更强的自主推进能力；Copilot强调人在主导、AI在辅助；Ag

AI Agent不是简单的聊天机器人。Agentic System也不是把几个模型堆在一起。真正的智能体系统，关键在于把目标、任务、动作、观察、规划、执行和反馈组织成一个可运行、可控制、可追踪的过程。AI Agent让模型开始围绕目标行动；Agentic System让多个智能体和工具形成协作体系；Autonomous Agent强调更强的自主推进能力；Copilot强调人在主导、AI在辅助；Ag

AlphaFold3 源代码改用 Apache 2.0，表面上是一次许可证调整，实际上是结构预测生态变化后的战略再定位。它说明 DeepMind 已经意识到，继续限制代码并不能阻止开源生态追赶。与其让 AlphaFold3 在社区中变成一个被围观但难以复用的封闭参考，不如放开代码，重新进入开源开发者的工作流。但它也说明，DeepMind 并没有真正放开 AlphaFold3 的核心能力。权重、输出

抗体结构预测已经从模板建模时代，走向语言模型、等变网络和多分子复合物预测时代。IgFold、ImmuneBuilder、ABodyBuilder3 等模型让抗体单体结构预测更加快速和规模化。AlphaFold-Multimer、AlphaFold3、Boltz、Chai 等模型拓展了抗体-抗原复合物建模的可能性。HERN、tFold、AntiFold 等方法则开始把结构预测、docking 和抗体

AlphaFold1 证明了深度学习可以突破传统结构预测瓶颈。AlphaFold2 让单链蛋白结构预测接近实验精度，极大改变了结构生物学的工作方式。AlphaFold-Multimer 把结构预测推进到蛋白复合物层面。AlphaFold3 则进一步把问题从“蛋白如何折叠”推进到“生命分子如何相互作用”。从结构约束，到蛋白结构；从单体蛋白，到蛋白复合物；从蛋白折叠，到生命分子相互作用。但 Alpha

ESMFold 很重要，但它只是 ESM 系列价值的一部分。如果只把 ESMFold 看成一个“快速版 AlphaFold”，就低估了 ESM 的意义。它把蛋白质序列从字符串变成了可计算、可表示、可推理的生命语言。当模型能够从海量序列中学习结构、功能和进化约束时，蛋白质研究就不再只是一个个实验对象的积累，而开始成为可以系统建模的语言空间。ESMFold 告诉我们，单条蛋白序列中已经隐藏着大量结构信

Proteina-Complexa 最值得关注的地方，不只是它生成了更多 binder，也不只是它来自 NVIDIA。AI 不再只是预测已有分子的结构，而是开始生成新的分子相互作用。过去，我们问的是：这个蛋白会折叠成什么？后来，我们问：这个序列能不能形成这个结构？现在，我们开始问：为了结合这个靶点，应该生成一个怎样的新蛋白？这就是从结构预测时代走向结构生成时代，再走向相互作用生成时代的变化。当然，

BindCraft 的输入通常是一个目标蛋白结构。这个结构可以来自实验解析，例如 X-ray、cryo-EM 或 NMR；也可以来自 AlphaFold、Rosetta、Boltz 等预测模型。但无论来源是什么，靶点准备都非常重要。如果输入结构本身不合理，后面的设计很容易变成“在错误地图上规划路线”。在实际使用中，通常需要对靶点做一些处理：去除无关链；裁剪过长的柔性尾部；保留功能相关结构域；检查缺