蛋白质设计成功率翻倍，Claude 这次把底牌全亮了

一个蛋白质结合剂，专家手工设计要花几周到几个月。Anthropic 昨天说，Claude 几小时能跑完，成功率落在 22% 到 35%——传统方法的平均水平是 10% 到 15%。

翻倍本身不算多稀奇。稀奇的是后半句：完整的提示词、实验数据、评估流程，全部公开。这在 AI 圈不常见，大部分团队发完论文就把配方锁进抽屉。

哪怕你不做生物，这条也跟你有关。它把一件被长期低估的事摆到了台面上：认真打磨提示词，在严肃的科学任务上到底能顶多大用。

没有微调，没有专用模型，只有提示词

容易漏掉的一点：Claude 没为这个任务做任何微调。通用模型，加精心写的提示词，加公开数据，就这些。

这跟主流做法反着来。一提「AI 做科学」，默认路径是微调、堆专用数据、训一个垂直模型。Anthropic 给出的反例是：任务结构足够清晰的时候，把提示词打磨到位，可能比急着微调更划算。

微调像给厨师专门盖一间厨房。提示词是给他一本写明火候、配比、翻锅时机的菜谱。前者贵、重、改不动；后者便宜、能带走、随时改。

蛋白质结合剂就是能精准粘在目标蛋白上的分子，药物研发、诊断、基础研究都靠它。传统上一个靶点要专家做几周到几个月。

周期压到几小时，命中率还翻倍。在一个靠迭代速度吃饭的领域，这个数字足以让人重新审视整条工作流。

不过 Anthropic 自己先按住了这份兴奋：结合剂不是药。它只是长链条的第一环，后面的毒性测试、临床试验，每一步都能把前面的成功率清零。把「设计成功率翻倍」讲成「新药快出来了」，那是标题党的活，不是科学。

数字好看的新闻每周都有，公开配方的没有几家。

提示词、实验数据、评估流程全放出来了。先说最实际的一条：有人能去复现它，光这一条就筛掉一半吹牛。方法的骨架也能搬走，酶设计、材料、结构预测都用得上。还有一点更难得——你终于能看见一个真正打磨过的提示词长什么样，不用再靠猜。

做计算生物的人该重新评估工作流。做应用开发的人，手里又多了一份「提示词工程不是玄学」的硬证据。

「传统方法平均 10% 到 15%」这个对比未必公平。传统方法的平均值把难易不同的靶点混在一起算，Claude 那组数字有没有偏向好做的靶点，光看推文看不出来。等独立复现。

开源也不等于开箱即用。方法是公开了，但读懂它、跑起来、迁到你自己的任务上，每一步都要真功夫。指望复制粘贴就发 paper 的人会失望。

这两点不否定结果，只是建议把结论往后放一放。

把公开的那套提示词和评估流程拉下来，挑一个你熟的靶点跑一遍。跑通了，你对这套方法就有了实感；跑不通，你也摸到了它的边界在哪，同样值钱。

哪种结果都比再读十篇论文管用。

参考来源：

✨ 本文由 DeepSeek 生成初稿，Claude 审核润色。