BaseCamp：用智能体AI框架接管DNA测序流程中的「决策层」
测序流程自动化了，但「做判断」这一步还靠人
DNA测序的流水线——从质量控制、序列比对、变异检测到功能注释——早已被各类工作流管理系统稳定地跑起来。真正卡住效率的，是执行之外的那一层：决策。
比如，针对某个样本和测序平台该选什么质量阈值？边界性的变异位点到底判不判？流程报出的异常意味着什么？哪些发现值得交给专家复核？这些判断重复、依赖经验、不同操作者之间难以统一，而且往往没有留下任何记录。
一篇提交于 arXiv 的论文（arXiv:2609.28557）提出了 BaseCamp，一个专门用来自动化这层决策的智能体 AI 框架。
六个智能体，各管一段
BaseCamp 把整条流程拆成六个专用 AI 智能体，分别对应：
- 样本接收与质量控制
- 序列比对
- 变异检测
- 功能注释
- 跨阶段监控
- 报告生成
这里有一个关键的设计取舍：智能体本身不做序列分析。比对、检测、注释仍然由成熟的生物信息学工具执行，智能体负责的是在这些工具之间做选择、配置参数、解读输出，并决定下一步做什么。
论文作者把这种分工称为「把语言模型的推理限制在判断层」——也就是模型真正可靠的领域，同时保留既有工具链的可复现性。
本地部署 + 人类在环
在模型架构上，BaseCamp 采用「专家模型联盟 + 中央推理 LLM」的方式：多个经过微调、面向特定领域的语言模型协同工作，由一个中央推理大模型统一协调。
值得注意的是部署方式：所有推理在本地执行，测序数据不离开运行环境。整个流程处于 human-in-the-loop 的编排之下，人类仍保留最终把关的位置。
评估结果透露了什么
论文给出的评估结论包括三点：
- 智能体生成的配置与专家实践一致；
- 一套显式的「过滤账本」（filtering ledger）让原本会被无声丢弃的过滤过程变得可审查；
- 跨阶段异常检测（摘要在此处被截断，完整结论需查阅原文）。
为什么这件事值得关注
BaseCamp 代表的是一种正在成型的思路：不指望大模型去替代科学计算本身，而是让它接管计算周围的判断与编排。这类「决策层智能体」的落地价值，可能比让模型直接做分析更现实——因为它的错误更容易被发现，也更容易被人类纠正。
论文作者包括 Eranga Bandara、Xueping Liang 等 22 位研究者，涉及多个机构。对于生物信息学团队而言，BaseCamp 提出的问题或许比它的答案更有意义：你们流程里那些没被记录下来的判断，有多少其实是可以被结构化的？