Menü
把一个分析需求写成可复现的 Nextflow 或 Snakemake 工作流，含测试、容器 digest 固定、参考版本固定、provenance 输出。当用户要求做 RNA-seq/WGS/WES/ATAC-seq/单细胞分析、跑 nf-core 流程、批量处理测序数据、或需要"可复现的分析流程"时使用。也在需要把一段探索性 notebook 固化成生产流程时使用。
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Basierend auf der SOC-Berufsklassifikation
| name | deterministic-pipeline |
| description | 把一个分析需求写成可复现的 Nextflow 或 Snakemake 工作流，含测试、容器 digest 固定、参考版本固定、provenance 输出。当用户要求做 RNA-seq/WGS/WES/ATAC-seq/单细胞分析、跑 nf-core 流程、批量处理测序数据、或需要"可复现的分析流程"时使用。也在需要把一段探索性 notebook 固化成生产流程时使用。 |
| allowed-tools | Read, Write, Edit, Grep, Glob, Bash(nextflow *), Bash(nf-test *), Bash(snakemake *), Bash(nf-core *), Bash(pytest *), Bash(docker buildx imagetools *), mcp__biomni__* |
| model | opus |
| effort | high |
为什么这不是洁癖，而是必需： 托管 LLM 的输出不可复现，且原因在调用方控制范围外。 2025-09 的实验结果推翻了通常的解释 —— 真正原因不是"并发 + 浮点非结合律" （kernel 单独运行是确定的），而是缺乏 batch invariance：生产环境用 continuous batching，请求的 batch size 随服务端负载波动，reduction order 随之变化。实测在 Qwen3-235B 上，1000 次 temperature=0 的相同请求产生了 80 种不同输出。
结论：temperature=0 不构成可复现性保证。所以：
智能体编写并启动流水线；DAG 引擎确定性执行；人在边界处签字。
这样 Nextflow 的 -resume 任务哈希（11 项输入）、WRROC provenance、
容器 digest、nf-test 全部落在确定性一侧，不被 LLM 污染。
Seqera Co-Scientist 是这个分工的现成范例。
这是唯一同时满足 verifier's law 五个性质（客观真值 / 验证快 / 可扩展 / 低噪 / 连续奖励）的验证档位。best-of-N 采样只在存在自动验证器的领域可扩展 —— 没有测试，后面所有的迭代都是在猜。
nf-test init
nf-test generate process modules/local/my_process/main.nf
# 每个 process 至少一个 test，含 snapshot 断言
nf-test test --profile test
nf-test 已同行评审（GigaScience 14），报告 CI 时间下降最多 80%。
// ❌ 错
container 'quay.io/biocontainers/samtools:1.21--h50ea8bc_0'
// ❌ 更错
container 'biocontainers/samtools:latest'
// ✅ 对
container 'quay.io/biocontainers/samtools@sha256:2f7f9d5a...（64 位十六进制）'
取 digest：docker buildx imagetools inspect <image>:<tag>。
理由：tag 可被重新推送，既是可复现性漏洞也是供应链攻击面。
固定值由 session 注入（LAB_REF_ENSEMBL / LAB_REF_GENCODE / LAB_REF_REFSEQ）。
禁止 --genome GRCh38（走 iGenomes） —— nf-core 自己的文档警告
iGenomes 的人类注释停留在 Ensembl release 75。
params.fasta = "${params.ref_base}/Homo_sapiens.GRCh38.dna.primary_assembly.fa.gz"
params.gtf = "${params.ref_base}/gencode.v50.primary_assembly.annotation.gtf.gz"
params.ref_provenance = "Ensembl 116 / GENCODE 50; downloaded 2026-07-01; md5 in assets/ref.md5"
考虑用 refgenie 的 sequence-derived digest 做跨流程基因组身份校验。
process QC_ASSERT {
input: path counts
output: path "assert.ok"
script:
"""
python - <<'PY'
import anndata as ad, sys
a = ad.read_h5ad("${counts}")
# 守恒：过滤前后细胞数只减不增
assert a.n_obs <= int("${params.n_obs_before}"), "细胞数增加了 —— 过滤逻辑有误"
# 维度：基因数与注释一致
assert a.n_vars == ${params.n_genes_expected}, f"基因数 {a.n_vars} != 期望"
# 阳性对照：管家基因必须在高表达区间
for g in ["ACTB", "GAPDH"]:
assert g in a.var_names, f"阳性对照 {g} 缺失"
open("assert.ok","w").write("ok")
PY
"""
}
NumPy NEP 19（Status: Final）明确 legacy RandomState 只为单测目的冻结，
不保证跨版本复现整个程序。原文推荐做法："instantiate a generator object
with a seed and pass it around"。
rng = np.random.default_rng(params.seed) # ✅
np.random.seed(params.seed) # ❌
sklearn 的 random_state：CV splitter 用 int（这样 fold 才可比）。
不要传共享的 RandomState 实例 —— clone()（被 GridSearchCV、
StackingClassifier 使用）会复制出共用并互相消耗同一 RNG 的估计器。
优先 pixi.lock（多平台完全解析）；R 侧 renv.lock；
conda 用 explicit spec。channel 顺序 bioconda > conda-forge，
channel_priority: strict，避开 defaults（Anaconda 2024-03 ToS 对
≥200 员工的商业组织收费）。
⚠️ uv 只管 Python，不管编译型生物信息二进制 —— 它补充 conda，不替代。
Nextflow 没有 -with-provenance 标志。两条路：
nf-prov 插件（v1.7.0）：-plugins nf-prov，可输出 wrroc / bco / dag / gexflineage.enabled、lid://、nextflow lineage diff⚠️ 区分清楚：nf-core pipelines rocrate 产出的是前瞻性 crate（描述仓库），
运行时的回溯性 provenance 是 nf-prov 的活。
-resume 的默认输入文件哈希是 path + mtime + size，不是内容。
共享文件系统上时间戳不一致会导致缓存误失效 —— 用 cache 'deep'（哈希内容）
或 cache 'lenient'（name + size）。
若某个 process 修改了自己的输入文件，它无法被 resume。
用 checkpoint 做有界的 DAG 重评估（5.4 起支持，早于 LLM）：
checkpoints.somestep.get(...) 抛 IncompleteCheckpointException 作为延迟信号。
容器化用 --sdm conda apptainer（--use-conda 在 8+ 已被取代）。
--report 默认输出含运行统计、provenance 与拓扑的自包含 HTML。
nf-core tools v4.0.2 起 裸 nf-core lint / nf-core create 已移除，
必须带 pipelines 子命令前缀：nf-core pipelines lint。
Nextflow 26.04 起 strict syntax 为默认，禁止 for/while、switch、
import、class 声明 —— 老代码需要改写。
pipelines/<name>.nf（或 .smk）tests/（nf-test 或 pytest），必须全绿assets/ref.md5、pixi.locknextflow.config 含 digest-pinned 容器与机构 profiledocs/<name>.md：一段"这个流程做什么、不做什么、已知失败模式"把一份分析报告、手稿草稿或结论段落拆成原子陈述，逐条打到权威数据库与文献核验，并标注每条的支持/反驳/无证据状态。当用户要求核查结论、验证结果、检查引用是否属实、审阅手稿的事实性、或问"这些数字可靠吗"时使用。也在提交前的最后一道自查时使用。
处理受控访问的人类数据（dbGaP、All of Us、UK Biobank、EGA、TCGA controlled）时的合规操作规程。当用户提到这些数据源、提到 TRE/RAP/Workbench、问"能不能用 AI 分析患者数据"、需要申请数据访问、或需要把分析提交进安全计算环境时使用。
从生物医学知识图谱生成可检验假设。当用户要求提出研究假设、寻找机制解释、做靶点发现、药物重定位、或问"X 和 Y 之间可能有什么联系"时使用。也在需要为一个观察到的表型找候选通路时使用。