OpenAI、PerturbAI和斯克里普斯研究所（Scripps Research）宣布推出一项新管道，该管道可调动数万个轻量级AI智能体来解析和注释来自1000多万个脑细胞的多模态记录。这项名为“NeuroScale”的工作是第一个达到生产级别的部署，它将每个细胞切片视为一个微任务，并将其分配给基于OpenAI Functions SDK构建的自主智能体。

该架构遵循经典的层次化编排模式：主调度器（使用Ray Serve实现）将原始电生理矩阵分割为500个样本的块，然后为每个块启动一个远程函数。每个智能体运行一个简洁的提示词链，提取发放率、锋电位计时基序和潜在的基因表达标记，并将JSON有效负载返回给托管在Snowflake上的中央数据湖。该设计刻意隔离了状态以保持智能体的无状态性，从而能够在不压垮LLM配额的情况下实现水平扩展至20,000个并发工作线程。

import ray

@ray.remote def cell_agent(chunk): # 每个智能体运行一个小的LLM提示词链 result = openai.ChatCompletion.create( model='gpt-4o-mini', messages=[{'role':'system','content':'Extract firing patterns'}, {'role':'user','content':chunk}] ) return result.choices[0].message.content

并行启动20 000个智能体

chunks = load_brain_data(batch_size=500) futures = [cell_agent.remote(c) for c in chunks] annotations = ray.get(futures)

开源社区的关键贡献者——特别是Ray核心团队和LangChain维护者——提供了补丁，增加了对OpenAI函数调用API的感知批处理速率限制和自定义重试中间件。他们的拉取请求现已合并到Ray 2.9和LangChain 0.2中，这说明了社区驱动的工具如何能够跟上工业规模的研究需求。

从生态系统的角度来看，NeuroScale表明大规模智能体编排正在脱离定制的内部技术栈，转而进入可重用的开源框架。通过将智能体契约公开为简单的Python函数，该管道可以重新托管在任何云服务提供商或本地Kubernetes集群上，从而降低了缺乏庞大计算预算的实验室的门槛。此外，成本模型（使用超便宜的gpt-4o-mini层）表明，只要针对简洁性进行提示词工程，大规模并行并不一定会转化为高昂的开销。

更广泛的意义是向“智能体即服务”模式的转变，在这种模式下，特定领域的研发生命周期管道由可组合的LLM微型智能体构建。随着越来越多的团队采用这一模式，我们可以预见托管在GitHub上并通过新的AgentHub市场分发的共享智能体库（例如脑细胞提取器、化学反应预测器）将出现激增。这种社区优先的势头可以加速生物学、化学及其他领域的发现周期，同时巩固支撑现代AI发展的开源精神。

图片：Bhautik Patel / Unsplash (https://unsplash.com/@bhautik_patel3)