【免费下载链接】feynmanThe open source AI research agent.项目地址https://gitcode.com/gh_mirrors/feynman/feynman点击查看免费下载本篇技术指南聚焦 Feynman 开源 AI 研究 Agent 中的indication-dossier技能skills/indication-dossier/SKILL.md讲解如何围绕疾病、靶点、机制、生物标志物或疗法从文献、临床试验与多个生物医学数据库中系统性收集证据产出一份源可溯、证据分级、风险显式的适应症档案indication dossier。读完本文你将掌握该技能的五步工作流、底层证据工具的调用方式、证据分级与可复现性评估方法以及如何把稀疏证据与临床建议正确区隔开。技能定位什么时候触发 Indication Dossierindication-dossier技能的描述skill frontmatterdescription明确限定了它的适用边界当研究任务涉及**疾病生物学disease biology、靶点合理性target rationale、患者分层patient segmentation、生物标志物biomarkers、临床试验trials、药物drugs、竞争格局competitive landscape或转化医学证据translational evidence**时应使用本技能来组装一份生物医学证据包biomedical evidence packet。从技能触发语义看它区别于仓库中面向文献综述的 literature-review 与 deep-research 等技能后者的产出是引用型研究简报而 indication dossier 的产出是一份面向具体决策的证据卷宗——dossier 必须服务一个明确的决策decision这正是该技能与普通检索摘要最本质的分野。五步工作流从定义问题到沉淀可溯源产出SKILL.md 给出了一个高度凝练的五步工作流其核心价值在于先定义决策再收集证据最后以分级与溯源收尾。逐条展开如下第 1 步定义研究对象与待支持的决策。明确适应症indication、患者细分patient segment、干预或靶点intervention or target以及这份档案必须支持的决策decision。这一步是整个流程的锚点决策不同证据的组织方式与取舍标准就不同。例如评估某靶点是否值得进入临床前开发与为某已上市药物撰写适应症扩展依据所需证据深度完全不同。第 2 步多渠道收集证据。从文献、临床试验、Open Targets、ChEMBL、CIViC、ClinGen、cBioPortal、DepMap/COSMIC 兼容来源以及其他相关 Feynman Bio Tools 中收集证据。其他相关意味着按需选择而非全部拉取——证据源的选择应服从第 1 步定义的决策。第 3 步证据分层。将证据划分为人类证据human evidence、模型系统证据model-system evidence、机制mechanism、生物标志物biomarkers、临床先例clinical precedent、安全性safety与未决问题open questions。这一步把混杂的检索结果整理成结构化的论证材料是后续分级与结论的前提。第 4 步证据分级与质量审查。按来源强度source strength与可复现性reproducibility对主张claims排序显式标记缺失队列missing cohorts、混杂因素confounders与实验方法局限assay limitations。这要求对每条主张都追问三个问题证据来自什么层级人体随机对照试验、观察性队列、细胞/动物模型还是计算预测结论是否可被独立复现现有样本与设计是否足以支撑外推第 5 步产出与溯源。将档案与溯源侧车文件provenance sidecar保存到outputs/目录。这一约定与仓库中其他研究技能一致deep-research、literature-review 均规定在outputs/输出带.provenance.md侧车的简报保证每条主张都能回溯到其原始证据来源。底线约束稀疏证据 ≠ 临床建议SKILL.md 以一句原则收尾Do not turn sparse evidence into a clinical recommendation.不得把稀疏证据变成临床建议。这是该技能最重要的安全约束也是全文唯一以禁止形式出现的规则。它意味着证据充分性必须先于结论若某条主张仅有单一病例报告或单一临床前研究支撑档案应将其标记为证据不足而非据此给出倾向性结论缺失队列、混杂因素与实验局限必须被显式记录对应第 4 步而非隐藏在措辞中档案的定位是决策输入而非决策本身临床决策需由具备资质的专业人员结合完整临床语境作出。底层证据引擎Feynman 科学数据库搜索工具Indication dossier 的证据收集环节由扩展目录中的feynman_science_database_search工具承载。该工具在 extensions/research-tools/science-databases.ts 中注册其描述列出 60 余个只读科学数据库覆盖文献、临床试验、药物、变异、基因、蛋白、调控、组学等类别每次调用返回稳定标识符stable identifiers、受控长度的片段bounded section snippets、来源 URL 与端点溯源endpoint provenance且 schema 统一为feynman.scienceDatabaseSearch.v1见 science-databases.ts 等处的 envelope 定义。工具参数由 TypeBox 模式约束science-databases.ts参数类型说明sourcestring枚举要检索的数据库枚举值即SCIENCE_DATABASE_SOURCE_IDS列表querystring检索词精确命令、标识符、基因、疾病、干预、论文标题、DOI、分子、靶点、变异 ID、rsID 等limitnumber可选最大返回记录数默认 5上限 20sortrelevance/pub_date可选PubMed/arXiv 排序方式其他来源忽略ensemblSpeciesstring可选Ensembl 物种符号查询默认homo_sapienschemblEntitymolecule/target/assay可选遗留 ChEMBL 搜索实体类型默认molecule其中limit的取值边界由DEFAULT_LIMIT 5与MAX_LIMIT 20硬编码science-databases.tssafeLimit会把越界值收敛到[1, 20]区间science-databases.ts所有请求统一带 25 秒超时REQUEST_TIMEOUT_MS 25_000。路由逻辑scienceDatabaseSearchscience-databases.ts会先尝试变异/gnomAD/调控/组学/蛋白注释等精确匹配分支命中则直接返回否则再进入通用来源分发。面向适应症档案的核心数据源技能描述中点名的五个来源恰好对应档案五个维度的证据需求文献与全文PubMed / Europe PMC。提供 PMID/PMCID/DOI 转换、引用匹配、版权/许可检查以及欧洲 PMC 开放获取全文片段检索是人类证据与临床先例的首要来源。靶点-疾病关联Open Targets。通过 GraphQL 端点提供有界检索支持search、target、disease、disease-drugs、disease-targets、drug、evidence七种查询模式见 science-database-open-targets.ts 的ParsedQuery与 searchOpenTargets 的分发逻辑。disease-targets模式返回疾病关联靶点及其scoredisease-drugs返回在研/临床候选药物及maxClinicalStageevidence模式支持evidence:ENSG00000157764MONDO_0005105形式直接查询靶点×疾病证据行datasourceId / datatypeId / score是靶点合理性与竞争格局的核心证据来源。GraphQL 请求自带 45 秒超时与最多 3 次对瞬时 internal server error 的重试science-database-open-targets.ts。药物与化合物ChEMBL。提供化合物、药物、ADMET、生物活性、机制、靶点六类模式searchChembl。其中drug:模式基于drug_indication表按适应症检索药物聚合max_phase_for_ind、EFO 术语、MeSH 标题并附bestPhaseForIndication、indicationRows与warningSummary黑框警告、撤市等安全性信息science-database-chembl.tsmechanism:模式返回作用机制、action type、直接相互作用标志science-database-chembl.tsbioactivity:模式支持按 molecule/target/standard_type/pChEMBL 阈值筛选活性记录并给出最强活性摘要science-database-chembl.ts。肿瘤精准医学CIViC 与 ClinGen。CIViC 以 GraphQL 提供经社区审编的基因、变异、分子谱、证据条目、断言五类实体默认只检索ACCEPTED状态记录断言含 AMP 证据等级、FDA 伴随诊断等字段science-database-civic.tsClinGen 提供基因-疾病有效性validity、剂量敏感性dosage、临床可操作性actionability与变异分类四类审编结果searchClingen其中剂量敏感性断言有明确的等级标签映射如 Sufficient Evidence、Dosage Sensitivity Unlikelyscience-database-clingen.ts。模型系统与功能证据cBioPortal / DepMap / COSMIC 兼容来源。提供癌症研究队列、分子谱、临床属性、样本、癌症类型与基因突变行cBioPortal以及癌症模型 CRISPR 依赖评分DepMap与突变谱系COSMIC。当档案需要模型系统证据维度时这些来源用于回答该变异在多少比例的同类肿瘤中检出该基因缺失是否影响细胞存活等功能性问题。从源码看证据分级如何落地第 4 步按来源强度与可复现性分级并非空泛原则它在底层实现中有多处支撑状态过滤CIViC 证据/断言默认只取status: ACCEPTEDscience-database-civic.tsClinGen 分类记录带retracted撤稿标志science-database-clingen.tsChEMBL 活性记录带dataValidityComment与potentialDuplicate字段science-database-chembl.ts——这些都是分级时可直接引用的质量信号。证据等级字段CIViC 断言含ampLevelAMP 证据等级与evidenceRating证据条目含evidenceLevel/evidenceType/evidenceDirectionscience-database-civic.tsClinGen 有效性记录含classification与sop标准操作流程版本分类记录含evidenceCodesMet/evidenceCodesNotMet满足/未满足的证据代码science-database-clingen.ts。这些字段使分级可以落到可审计的具体证据代码上。溯源字段每个数据库返回的 envelope 均携带provenance.docs与provenance.endpoints记录本次查询实际命中的端点 URL——这正是第 5 步.provenance.md侧车的机器可读素材全文检索可见 extensions/research-tools 下各science-database-*.ts均构造该字段。完整实战组装一份三阴性乳腺癌适应症档案以下示例串联五步工作流展示如何将技能原则与底层工具结合命令基于上述工具的真实参数与查询模式第 1 步定义适应症 三阴性乳腺癌TNBC目标 评估某激酶靶点 X 的临床前可成药性决策 是否推进至体内 PK/PD 研究。第 2 步取证依次执行文献sourcepubmedqueryTNBC kinase X配合sortpub_date按新近排序靶点-疾病sourceopentargetsquerydisease-targets:MONDO_0004987获取关联靶点与评分、queryevidence:ENSG00000XXXXMONDO_0004987获取靶点×疾病证据行药物先例sourcechemblquerydrug:TNBC获取在研/已批药物、max_phase_for_ind与警告摘要变异与审编sourcecivicquerycivic_search_variants:TP53、sourceclingenqueryclingen-gene-validity:TP53模型系统sourcecbioportal/sourcedepmap查询靶点 X 在 TNBC 队列中的突变频率与依赖评分。第 3 步分层将结果归入人类证据队列研究、临床试验、模型系统证据DepMap/cBioPortal、机制Open Targets 证据行与 ChEMBL mechanism、生物标志物CIViC 分子谱、安全性ChEMBLwarningSummary与未决问题。第 4 步分级对每条主张记录其来源层级人体 vs 模型 vs 计算预测与质量字段如 AMP 等级、ClinGen classification、ChEMBL data validity显式列出缺失队列与混杂因素——例如cBioPortal 队列仅包含亚裔样本外推受限。第 5 步产出将档案主体写入outputs/tnbc-kinase-x-dossier.md将各工具返回的provenance.endpoints、文献 PMID/DOI、变异 ID 等汇总为outputs/tnbc-kinase-x-dossier.provenance.md侧车保证每条主张可回溯。边界若第 2 步仅得到稀疏证据如单一病例报告、单一细胞系数据档案中应将该主张标记为证据不足并按技能约束不给出建议推进临床前研究式的倾向性结论。与其他研究技能的协作Indication dossier 可与仓库内其他技能组合成更完整的研究管线dossier 提供面向决策的结构化证据卷宗而 literature-review 提供综述式叙述、research-review 提供结构化评审、source-comparison 提供多来源对比矩阵。典型用法是先用 dossier 固定证据骨架与缺口清单再按缺口定向调度上述技能补全叙事与评审视角。所有技能共享outputs/输出约定便于后续统一归档与溯源。小结indication-dossier技能用五步工作流把检索-分层-分级-溯源-产出固化为可重复执行的证据工程方法先以决策锚定问题边界再从 PubMed/Europe PMC、Open Targets、ChEMBL、CIViC、ClinGen、cBioPortal/DepMap 等来源均由 feynman_science_database_search 工具统一承载收集证据按人类证据/模型证据/机制/生物标志物/临床先例/安全性分层以来源强度与可复现性分级并显式记录缺失与混杂最后连同 provenance 侧车沉淀到outputs/。贯穿全程的底线是稀疏证据不得转化为临床建议——档案服务于决策输入而决策本身需要更充分的证据与专业判断。赞分享【免费下载链接】feynmanThe open source AI research agent.项目地址https://gitcode.com/gh_mirrors/feynman/feynman点击查看免费下载相关推荐ruflo 递归并行调查器基于 dossier-investigator 构建图结构实体档案dossier的实战指南ruflo 递归并行调查器基于 dossier investigator 构建图结构实体档案dossier的实战指南 导读 dossier investi人工智能AI Agent多智能体Agent 编排Agent 记忆工具调用代码智能体MCP 服务AI 评测Feynman 生物医学文献综述工作流基于证据分级与隐私边界的研究型 /lit 实践指南Feynman 生物医学文献综述工作流基于证据分级与隐私边界的研究型 /lit 实践指南 Feynman 是开源 AI 研究代理research agentHunFlair 生物医学 NER 实战指南基于 Flair 的基因、化学物、疾病、物种与细胞系实体识别HunFlair 生物医学 NER 实战指南基于 Flair 的基因、化学物、疾病、物种与细胞系实体识别 HunFlair 是 Flair 生态中面向生物医学NLP深度学习机器学习创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考