用 OpenClaw 实现远程生信分析：一个 AI Agent 协作的实践案例
用 OpenClaw 实现远程生信分析：一个 AI Agent 协作的实践案例
2026-02-13
引言
昨晚，我在没有电脑的情况下，通过手机完成了一个完整的 RNA-seq 差异表达分析。不是简单地发个指令等结果，而是实时交互、调整参数、追加分析——这一切都通过 iMessage 与我的 AI Agent「Kit」完成。
这篇文章记录这个工作流程，分享 OpenClaw 在远程协作场景下的几个独特优势。
场景：手机上完成 DESeq2 分析
我的需求很简单：对一组 RNA-seq 数据做差异表达分析，比较不同 siRNA knockdown 条件。数据已经在服务器上，我只需要：
- 告诉 Agent 数据位置
- 指定分析类型和对比组
- 查看结果，追加分析
实际对话大概是这样的：
我: /Users/.../counts.txt 和 samples.xlsx, run deseq for me
Kit: Spawned the rnaseq-expert on it. It'll run DESeq2 via hciR,
generate PCA, volcano plots, heatmaps...
[7分钟后]
Kit: 分析完成！9个对比组，结果在 results/ 文件夹
我: 帮我跑一下 si* 系列对比 siControl 的 comparison
Kit: 好的，正在跑 siNONO vs siControl, siSFPQ vs siControl...
[2分钟后]
Kit: 搞定了！siSFPQ knockdown 的差异基因数量是 siNONO 的约两倍...
整个过程，我在地铁上完成。
架构：主 Agent + 专职子 Agent
OpenClaw 的核心设计是 Agent 协作。在这个案例中：
┌─────────────────────────────────────────────────────┐
│ Main Agent (Kit) │
│ - 日常交互、任务分发 │
│ - 理解用户意图，选择合适的子 Agent │
│ - 汇总结果，自然语言反馈 │
└─────────────────────┬───────────────────────────────┘
│ sessions_spawn()
▼
┌─────────────────────────────────────────────────────┐
│ RNAseq Expert Agent │
│ - 专注生信分析 │
│ - 独立 workspace │
│ - 专属 skills: rnaseq-deseq, ngs-analysis │
└─────────────────────────────────────────────────────┘
主 Agent 收到「跑 DESeq」的请求后，通过 sessions_spawn() 将任务分配给专职的 rnaseq-expert。子 Agent 在独立的 session 中执行分析，完成后将结果返回。
优势一：无电脑远程工作
这是最直观的好处。OpenClaw 支持多种消息通道（iMessage、Telegram、Discord 等），Agent 运行在你的服务器或 Mac 上，你只需要一个能发消息的设备。
关键点：
- 不是「发指令等邮件」的异步模式，而是实时对话
- 可以追问、调整、迭代——真正的交互式分析
- 结果文件在服务器上，随时可以进一步处理
对于计算生物学家来说，这意味着：
- 在通勤时 review 昨晚的分析结果
- 发现问题立即调整，不用等回到办公室
- 周末有灵感时快速验证一个想法
优势二：专职 Agent，独立 Workspace
为什么不让一个 Agent 做所有事？因为专业化带来效率。
独立 Workspace 的好处
每个子 Agent 可以有自己的工作目录：
agents:
list:
- id: main
workspace: ~/.openclaw/workspace
- id: rnaseq-expert
workspace: ~/bioinfo/rnaseq
skills: [rnaseq-deseq, ngs-analysis]
这意味着：
- 生信 Agent 只看到生信相关的文件和工具
- 不会被其他项目的上下文干扰
- Memory 和 Skills 可以针对性配置
模型选择与成本优化
不同任务可以用不同模型：
agents:
list:
- id: main
model: anthropic/claude-opus-4-5 # 主 Agent 用最强模型
- id: rnaseq-expert
model: anthropic/claude-sonnet-4 # 专职 Agent 用性价比更高的模型
生信分析的大部分工作是执行 R 脚本和解析输出，不需要最顶级的推理能力。用 Sonnet 跑子任务，Opus 负责理解意图和整合结果，可以显著降低 token 成本。
Skill 系统
每个 Agent 只加载它需要的 Skills：
skills/
├── rnaseq-deseq/
│ ├── SKILL.md # Agent 指令
│ ├── assets/
│ │ └── rnaseq_template.Rmd
│ └── references/
│ ├── contrasts.md # 复杂对比设计指南
│ └── pathways.md # GSEA 参考
└── ngs-analysis/
└── SKILL.md
rnaseq-expert 加载这些 Skills 后，就「知道」如何使用 hciR/hciRdata 做分析，不需要每次都在 prompt 里解释 DESeq2 的用法。
优势三：自建 Agent，Human in the Loop
OpenClaw 的设计哲学是工具而非替代。我可以完全控制：
1. Agent 的能力边界
agents:
list:
- id: rnaseq-expert
skills: [rnaseq-deseq] # 只给它需要的能力
tools:
deny: [message, cron] # 禁止它主动发消息或设置定时任务
子 Agent 只能做分析，不能自作主张地通知别人或安排后续工作。
2. 审批流程
对于敏感操作，可以要求人工确认：
approvals:
exec:
enabled: true
targets:
- channel: imessage
to: "+1234567890"
Agent 想执行某些命令时，会先问我。
3. 限制自主性
我现在的策略是 Human in the Loop：
- Agent 负责执行具体任务
- 我负责决策和方向
- 不给 Agent 太多自主权（比如自动判断下一步分析）
这不是因为不信任 AI，而是因为科研分析需要领域知识和判断。AI 是加速器，不是自动驾驶。
实践建议
如果你想搭建类似的工作流：
1. 从小开始
先用单一 Agent + 一个 Skill 跑通流程，再考虑拆分子 Agent。
2. Skill 是关键
好的 Skill 文档能让 Agent 事半功倍：
- 明确的 workflow 步骤
- 常见问题的处理方式
- 参考命令和模板
3. 日志和复现
保存 Agent 的 session transcript，方便：
- Debug 分析过程
- 复现或修改分析
- 积累 best practices
4. 渐进式放权
开始时多限制，观察 Agent 的行为模式，逐步放开信任的操作。
结语
这个工作流的本质是把 AI 当作一个靠谱的实习生：
- 你告诉它做什么
- 它去执行并汇报
- 你决定下一步
OpenClaw 提供了实现这种协作的基础设施。对于计算生物学这种需要大量重复性分析、但又需要人工判断的领域，这种 Human-AI 协作模式特别合适。
下次你在地铁上突然想到一个分析思路，不用等回到电脑前——直接发条消息就好。
工具：OpenClaw + Claude Opus 4.5 + hciR/DESeq2
作者注：本文由 Kit（我的 AI Agent）协助撰写，但所有观点和实践经验来自真实使用。