仿真实验闭环工作流开发教程（1）：为什么仿真实验闭环是二次开发的下一站——偏差、孤岛与三件套的缺位

kkchenjj

11人浏览 · 2026-09-06 11:11:09

kkchenjj · 2026-09-06 11:11:09 发布

仿真实验闭环工作流开发教程（1）：为什么仿真实验闭环是二次开发的下一站——偏差、孤岛与三件套的缺位

版本声明块

工具/软件：ASE 3.29.0（2026-06-21）｜QuAcc（ASE 官方生态页收录）｜opentrons 9.1.2（Protocol API v2，apiLevel 2.27）｜benchling-sdk 1.25.0｜pylabrobot 0.2.2｜sila2 0.14.0｜ax-platform 1.3.1｜BoTorch 0.18.1｜AMICI v1.0.1｜pyPESTO v0.6.0｜isatools v0.14.3
语言/环境：Python 3.11+ / bash / requests / importlib.metadata
本文目标：讲清"闭环"为什么是二次开发的必然下一站，并把"我现在到底缺什么"变成一条可执行的体检命令

一句话结论：一个能自转的仿真实验闭环只缺三样东西——数据契约（loop record 的四要素：量名、单位、不确定度、追溯链）、设备控制（先过 opentrons.execute 仿真，再走机器人本机 :31950 HTTP API）、学习算法（ax-platform 的 ax.api.client.Client 用 get_next_trials() / complete_trial() 做建议/回报配对）；本篇末尾的 python loop_env_check.py 会在一分钟内打印出你环境里这三条腿各缺哪一块，缺任何一项退出码为 1。

〇、本篇要解决的认知问题

Q1：仿真算出来的结果和真实实验做出来的结果，偏差到底是从哪儿来的？为什么换更准的力场、把收敛阈值调得更小，并不能把它治干净？

Q2：大家都说"数据孤岛"，但在一个同时有仿真集群、液体处理机器人和电子实验记录本（ELN，Electronic Lab Notebook）的实验室里，孤岛的代价具体落在哪几个环节上？

Q3：设计-构建-测试-学习（Design-Build-Test-Learn，DBTL）这个循环的权威规范化表述出自哪里？为什么不能写成"源自 KEGG 计划"？

Q4：自动驾驶实验室（self-driving lab，SDL）这条线从 2009 年到 2026 年有哪些标志性工作？引用它们时最容易踩的坑是什么？

Q5：一个真正能跑起来的闭环最少需要哪几件东西？为什么这三件缺一不可？本系列 20 篇按什么顺序把它们接起来？

一、机制解析

1.1 偏差不是一个问题，是四张独立账单

先把最容易被混淆的一件事拆开："仿真不准"这四个字底下压着四类性质完全不同的误差，它们各自的治理手段、责任方和发生位置都不一样。

偏差来源	底层机制	典型表现	靠"算得更久/更准"能治吗	真正的治理手段
① 模型形式误差	泛函/力场近似、机理里缺步骤（传质、界面、副反应）	趋势对、绝对值系统性偏移	部分能（换模型），但缺的那一步你永远发现不了	扩大模型边界 + 用实验数据反推（标定）
② 参数误差	力场参数、速率常数、扩散系数取的是文献值或估算值	重复仿真 100 次给出同一个错误答案	完全不能——重复仿真只会提高精度，不提高准确度	参数估计：AMICI v1.0.1 + pyPESTO v0.6.0（第 13 篇）
③ 湿侧执行误差	试剂降解/批次差异、移液系统误差、孔位错位、板边缘效应、温控漂移	同配方复测不一致；整板整体偏高或偏低	不能——仿真根本不知道你的板上发生了什么	设备控制 + 协议版本化（第 4、6、8 篇）
④ 测量与记录误差	检出限以下的值被填 0、峰积分规则不一致、读板机光程差、单位漏写	学到的"规律"其实是仪器约定	不能——而且会把噪声当信号喂给优化器	数据契约里强制写不确定度与检出限（第 5 篇）

看懂这张表，就看懂了本系列的全部动机：①②是科学问题，③④是接口与记录问题。而③④恰恰不在任何一家仿真软件的功能清单里——它们只能由"二次开发工程师"用协议、API 和 schema 去补。换句话说，仿真软件越用越熟之后，你能贡献的边际价值自然就从"把单次算例做对"转移到了"把仿真和实验之间那段路修通"。

为什么这对你重要：如果你的模型误差不来源于力场，那么再等一次"更好的模型"是无解的；能解它的是一轮带不确定度记录的实测数据回灌。这句话决定了你的技能投资方向。

1.2 数据孤岛的成本，从来不体现在"找不到文件"上

多数团队把孤岛理解成"数据没有共享"。太轻了。真正让人流血的是下面这些环节，每一个都能对应到一条工程约束。

环节	孤岛状态下的具体形态	代价性质	对应的系列铁律
找数	同一个化合物在仿真目录、ELN、Excel 台账里是三套编号	人力时间（以周计的归并）	铁律 1：先定契约再写接口
对齐	只知道"浓度 12"，不知道单位是 µM 还是 mg/L，也不知道有没有扣空白	静默错误，越晚发现越贵	铁律 1 的四要素
复现	上一轮用了哪版协议、哪批试剂、哪个参数集无人知晓	失败实验无法归因，重复踩坑	铁律 8：每轮全链路可追溯
归因	整板读数偏高——是移液精度、读板机漂移，还是模型偏差？无数据可分	把设备问题当科学问题解决	铁律 2、铁律 7
审计	程序化写入的记录看不出是谁（哪个脚本）改的，时间戳可被覆盖	合规风险：21 CFR Part 11 §11.10 要求安全的计算机生成时间戳审计追踪、不得遮盖先前信息	铁律 3
学习	优化器建议了 20 组参数，只有 13 组带回报，剩下 7 组被默默丢弃或当成 0	模型直接被污染	铁律 5：建议/回报成对落库

这里值得单独说一句"学习"这一行：闭环里最贵的不是失败实验，是没有被记录的失败实验。一个失败的 trial 如果以"缺失"的形式进入拟合，等价于告诉优化器"这里什么都没有"；如果以"0"的形式进入拟合，等价于告诉优化器"这里结果为 0"。两种都是谎言，但都极其常见。第 18 篇会给出用掩码（mask）而不是删除的处置方式。

为什么这对你重要：孤岛成本是不可摊薄的固定成本——你每多一轮迭代就要重付一次。闭环的收益不是"省时间"，而是把这笔钱一次性买断。

1.3 DBTL 的权威口径怎么写才不被行家挑刺

设计-构建-测试-学习（Design-Build-Test-Learn，DBTL）这个循环源自合成生物学（synthetic biology）社区的工程化实践语境（iGEM 与 biofoundry 那一脉）。如果你需要在立项书、论文或内训材料里给出一段可引用的规范化表述，用美国国家科学院报告 Biotechnology in the Age of Synthetic Biology（《合成生物学时代的生物技术》）第 2 章：设计一个原型 → 构建出物理实现 → 测试其功能 → 从缺陷中学习 → 反馈进入下一轮。

两个必须知道的细节：

该报告正文里主要用的是 DBT 三段式，"learn（学习）"是作为把 DBT 折成闭环的那个环节出现的。写材料时把"DBTL 四段"讲成报告原文，会被读过原文的人抓住。
不要把 DBTL 的出处写成 KEGG 计划或某个 Genome Consortium——没有任何证据支持这种说法，属于典型的以讹传讹（在本系列的禁用清单里）。正确引法：https://www.ncbi.nlm.nih.gov/books/NBK535871/。

1.4 自动驾驶实验室谱系：十三年、五个节点、一个勘误

闭环不是新词，它有一条被 DOI 钉住的时间线：

2009 ─────────── 2020 ─────────── 2023 ────────── 2023 ─────────── 2026
Robot Scientist   Mobile          A-Lab           Coscientist      Nature 技术特写
Science 324,85    Robotic Chemist Nature 624      Nature 624,570   Inside the
DOI 10.1126/      Nature 583,237  DOI 10.1038/    DOI 10.1038/     "self-driving"
science.1165620   DOI 10.1038/    s41586-023-     s41586-023-      lab revolution
                  s41586-020-     06734-w         06792-0          Nature 652,262
                  2442-2          ＋勘误                           DOI 10.1038/
                                  10.1038/                         d41586-026-00974-2
                                  s41586-025-                      （含 Eve 机器人实验室）
                                  09992-y
   闭环自主科学发现的奠基    移动机器人+流动化学    无机材料自主合成     LLM 自主做化学实验    行业全景

逐条说明口径（这些细节决定了你像不像圈内人）：

Robot Scientist（Science 324, 85–89, 2009，DOI 10.1126/science.1165620）：把"假设生成—实验—建模—再假设"完全交给系统的奠基工作，闭环思想的第一次严格实证。
Mobile Robotic Chemist（Liverpool，Nature 583, 237–241, 2020，DOI 10.1038/s41586-020-2442-2）：移动机器人把流动化学与自动决策接上；同组后续的多机器人固相化学发表在 Chemical Science 2024, 15, 2456–2463（DOI 10.1039/D3SC06206F）——不是 2022 年，年份错引是常见事故。
A-Lab（伯克利国家实验室，Szymanski et al., Nature 624, 2023，DOI 10.1038/s41586-023-06734-w）：无机粉末固相自主合成，连续运行 17 天、58 个目标产出 41 个化合物。两条硬性纪律：必须同时引用勘误（Author Correction，Nature 650, 2026，DOI 10.1038/s41586-025-09992-y）；正式表述是 inorganic materials（无机材料），不是早期流传的"novel materials（新型材料）"。
Coscientist（Nature 624, 570–578, 2023，DOI 10.1038/s41586-023-06792-0）：大语言模型直接驱动化学实验方案设计并上机执行。
Nature 技术特写 Inside the “self-driving” lab revolution（Nature 652, 262–264, 2026，DOI 10.1038/d41586-026-00974-2）：行业全景，可作为"为什么现在值得投入"的背书。

为什么这对你重要：A-Lab 的勘误同引这条规矩，本质就是铁律 8（每轮迭代全链路可追溯）的学术版。一个连自己引用都不做版本核对的团队，不会把 loop record 的四要素当回事；反过来，把这件事养成肌肉记忆的人，做闭环天然顺手。这也是为什么本系列把它放在第一篇讲。

1.5 闭环三件套：少一条腿，剩下的两条就只是装饰

把上面所有讨论收敛成三件事。这也是本系列的技术骨架。

三件套	它在闭环里干什么	缺了会怎样	本系列落点
数据契约（data contract）	规定"一次测量"必须携带什么：量名、单位、不确定度、追溯链	学习层拿到的是裸数值，越学越歪；审计层无法回答"谁做的"	第 5 篇（ISA / AnIML / FAIR）
设备控制（instrument control）	把仿真给出的建议变成移液动作，再把仪器原始文件收回来	优化器只能对着仿真自己打分，闭环退化成自娱自乐	第 4、6、8 篇
学习算法（learning）	用实测回报修正模型并给出下一批值得做的条件	有数据没决策，实验量堆上去结论还是靠直觉	第 10、11、12、13 篇

端到端架构（本系列 20 篇全都挂在这张图上）：

                  ┌──────────────────── 数据契约层（第 5 篇） ────────────────────┐
                  │  loop record 四要素：量名 · 单位 · 不确定度 · 追溯链            │
                  │  序列化：ISA-JSON / AnIML / mzML ｜ 原则：FAIR（F1 · R1.2）    │
                  └───────────────────────────────────────────────────────────────┘
                            ▲                                            ▲
        ┌───────────────────┘                                            └───────────────────┐
┌────────────────────────────┐   ①建议参数 / 候选配方（trial）    ┌────────────────────────────┐
│  仿真层 Simulation          │  ────────────────────────────────► │  学习层 Learn               │
│  ASE 3.29.0 · QuAcc         │                                    │  Ax 1.3.1 ask/tell          │
│  simulate(params)→pred      │  ◄──────────────────────────────── │  BoTorch 0.18.1 采集函数    │
└────────────────────────────┘   ④实测值 + 误差 + 失败标记          │  标定 AMICI 1.0.1/pyPESTO   │
          ▲                                                       └────────────────────────────┘
          │ ②结构、参数、引擎版本                                              ▲
          │                                                                   │ ⑥参数回写（版本化）
┌─────────┴───────────────────┐   ③协议（先仿真后实机）    ┌────────────────────┴──────────────┐
│  执行层 Execution            │  ───────────────────────► │  记录层 Record / Trace            │
│  Opentrons 9.1.2  :31950     │                           │  Benchling {tenant}/api/v2        │
│  抽象层 PyLabRobot · SiLA 2  │  ◄─────────────────────── │  SENAITE JSONAPI · LabArchives    │
└──────────────────────────────┘   ⑤板/孔位/读数原始文件    └───────────────────────────────────┘
          ▲                                                                   ▲
          └─────── 仪器：酶标读板 CSV ｜ msconvert → mzML 1.1.1 ｜ OpenChrom ───────┘

注意①→⑥的编号顺序：它恰好是本系列"入门（01-04）→核心（05-08）→进阶（09-12）→高级（13-16）→实战（17-20）"的推进顺序。闭环的难点从来不在算法，在于第①步到第⑤步之间每一次数据换手都不丢信息。

为什么这对你重要：这三件套分别对应三种岗位——数据/标准工程、自动化工程、算法工程。一个团队如果只想买一套软件就"拥有闭环"，缺的必然是"数据契约"这一件，而它恰恰是最便宜、最该由内部自己定的那一件。第 2 篇就把这三件套摊成一张选型矩阵。

二、完整代码与逐行剖析

认知问题解决了，接下来必须回答"我现在缺什么"。下面三个文件是一套闭环开发环境体检：查包、查端点、锁版本。

2.1 体检脚本 `loop_env_check.py`

#!/usr/bin/env python3
"""仿真实验闭环开发环境体检。
用法：python loop_env_check.py --tenant yourlab --robot-ip 10.42.0.10
判定：REQUIRED_PACKAGES 缺包 或 REQUIRED_ENDPOINTS 不可达 → 退出码 1
设计意图：把"三件套缺哪条腿"变成一条可进 CI 的命令，而不是会议上的争论。
"""
from __future__ import annotations  # 允许在 3.11 里安全使用新式类型注解

import argparse          # 解析命令行参数：租户名与机器人 IP 属于环境，不该硬编码进脚本
import sys               # 用退出码向 CI/调度器报告结果，而不是靠人读日志
import importlib.metadata as md   # 关键：读【发行包名】的元数据，不 import 包本身

# 发行名 → 期望版本基线（来自本系列版本声明；键是 PyPI 发行名，不是导入名）
# 为什么写发行名而不是导入名：ax-platform/ax、benchling-sdk/benchling_sdk 两者不同名，
# 用 md.version("ax") 会误报缺失——这是新手最常见的一个假阴性。
REQUIRED_PACKAGES: dict[str, str] = {
    "ase": "3.29.0",              # 仿真层：Atomic Simulation Environment
    "opentrons": "9.1.2",         # 执行层：Protocol API v2 所在的包
    "pylabrobot": "0.2.2",        # 硬件无关抽象层
    "sila2": "0.14.0",            # 设备通信标准官方 Python 实现
    "benchling-sdk": "1.25.0",    # 记录层：官方 Python SDK（不是 benchling-api，后者不存在）
    "isatools": "0.14.3",         # 数据契约：ISA-Tab/ISA-JSON 构建、校验与转换
    "pydantic": "",               # 契约校验的落地工具，版本不敏感
    "requests": "",               # 端点探测用
}
OPTIONAL_PACKAGES: dict[str, str] = {   # 学习层体积大、依赖链重，列为可选而非必需
    "ax-platform": "1.3.1",      # 导入名是 ax，发行名是 ax-platform
    "botorch": "0.18.1",         # Ax 的底层，默认生成策略里的 MBM 节点即 BoTorch
    "pypesto": "0.6.0",          # 参数标定（第 13 篇）
    "amici": "1.0.1",            # SUNDIALS CVODES/IDAS 内核
    "pymzml": "2.6.1",           # mzML 读取
}


def check_packages(table: dict[str, str], required: bool) -> list[str]:
    """返回问题清单。空列表表示这一组全部达标。"""
    problems: list[str] = []
    for dist, want in table.items():
        try:
            got = md.version(dist)                  # 只查元数据，导入失败与未安装不再混淆
        except md.PackageNotFoundError:
            label = "必需" if required else "可选"   # 可选项缺失只提示，不影响退出码
            problems.append(f"[{label}] 未安装：{dist}")
            continue
        if want and got != want:
            # 为什么这里只警告不判失败：小版本差异通常可用；但必须打印出来，
            # 因为跨大版本（如 opentrons 的 apiLevel）行为会真的不同（铁律 4 锁版本）
            problems.append(f"[版本漂移] {dist}: 期望 {want}，实际 {got}")
        print(f"    {dist:<14} {got}")
    return problems


def check_endpoints(tenant: str, robot_ip: str) -> list[str]:
    """探测三条腿上的两个关键端点：机器人本机 HTTP API 与租户 Benchling REST v2。"""
    problems: list[str] = []
    try:
        import requests   # 放在函数里：让"未安装 requests"成为一个被报告的检查项而非崩溃
    except ImportError:
        return ["[必需] 未安装：requests，无法探测端点"]

    # 端点 1：执行层。Opentrons 机器人本机 REST 服务在 31950 端口，
    # 权威接口定义在设备本机的 /openapi.json（不是任何在线文档），版本头必须是 3。
    url = f"http://{robot_ip}:31950/openapi.json"
    try:
        r = requests.get(url, headers={"Opentrons-Version": "3"}, timeout=5)
        # 为什么 timeout 必须显式给：闭环调度器里"无响应"和"慢响应"必须区分，
        # 缺省无限等待会让上层误判为设备健康（第 19 篇详述超时语义）
        print(f"    {url} -> {r.status_code}，字段数≈{len(r.text)}")
        if r.status_code != 200:
            problems.append(f"[执行层] {url} 返回 {r.status_code}，请核对机器人软件版本与网络")
    except Exception as exc:   # 连不上通常是 DNS/路由/防火墙，不值得区分具体异常类型
        problems.append(f"[执行层] {url} 不可达：{type(exc).__name__}")

    # 端点 2：记录层。真实形态是 {tenant}.benchling.com/api/v2，租户名写在域名里。
    url2 = f"https://{tenant}.benchling.com/api/v2/entries?pageSize=1"
    try:
        r2 = requests.get(url2, timeout=8)   # 故意不带凭据：只验证"路通了没有"
        print(f"    {url2} -> {r2.status_code}")
        # 401 在这里是【好消息】：域名解析、TLS、网关都通了，只差鉴权（第 3 篇解决）
        if r2.status_code == 404:
            problems.append(f"[记录层] 404：检查租户名 {tenant} 是否正确")
    except Exception as exc:
        problems.append(f"[记录层] {url2} 不可达：{type(exc).__name__}")
    return problems


def main() -> int:
    ap = argparse.ArgumentParser(description="仿真实验闭环开发环境体检")
    ap.add_argument("--tenant", required=True, help="Benchling 租户子域名，如 yourlab")
    ap.add_argument("--robot-ip", default="", help="Opentrons 机器人 IP；留空跳过实机探测")
    args = ap.parse_args()

    print("== 1) 必需包 ==")
    problems = check_packages(REQUIRED_PACKAGES, required=True)
    print("== 2) 可选包（学习层） ==")
    problems += check_packages(OPTIONAL_PACKAGES, required=False)
    print("== 3) 端点可达性 ==")
    if args.robot_ip:
        problems += check_endpoints(args.tenant, args.robot_ip)
    else:
        problems.append("[跳过] 未提供 --robot-ip，执行层端点未探测（无实机时属正常）")

    print("\n== 结论 ==")
    if not problems:
        print("全部通过：三件套的依赖面齐备。")
        return 0
    for p in problems:
        print("  " + p)
    return 1   # 非零退出码：让 GitLab CI/GitHub Actions 直接拦住未齐备的环境


if __name__ == "__main__":
    sys.exit(main())

2.2 运行方式（bash）

python -m pip install --upgrade pip                 # 老 pip 读不到新元数据，会误报未安装
python -m pip install ase==3.29.0 opentrons==9.1.2 pylabrobot==0.2.2 \
    sila2==0.14.0 benchling-sdk==1.25.0 isatools==0.14.3 pydantic requests
# --robot-ip 省略：此刻你可能还没有实机，脚本会明确打印"跳过"而不是报错
python loop_env_check.py --tenant yourlab ; echo "退出码=$?"
# 拿到机器人之后补一次实机探测：
# python loop_env_check.py --tenant yourlab --robot-ip 10.42.0.10

2.3 版本基线锁定 `requirements-loop.txt`

# 铁律 4：新旧双轨必须显式锁版本。这份文件是闭环项目的"最低共识"。
ase==3.29.0
opentrons==9.1.2          # Protocol API v2 行为与 apiLevel 绑定，跨版本升级要走回归
pylabrobot==0.2.2
sila2==0.14.0
benchling-sdk==1.25.0
isatools==0.14.3
ax-platform==1.3.1        # 现行 API 是 ax.api.client.Client，别混用旧的顶层写法
botorch==0.18.1           # 采集函数为类式 API；functional 命名空间已从现行文档移除

逐段剖析三个设计决策：

为什么不 import 而用 importlib.metadata.version：import opentrons 会拉起整条依赖链（几秒到几十秒），而且"导入时报错"和"根本没装"是两回事。体检脚本只想知道装了什么版本，元数据足够。
为什么键必须写发行名：ax-platform 导入名是 ax、benchling-sdk 导入名是 benchling_sdk。按导入名查元数据必然假阴性——这是最容易让人误判"我环境没问题"的地方。
为什么 401 算通过：闭环排查第一步永远是"断在哪一层"。DNS 失败、TLS 失败、网关 404、鉴权 401 是四种完全不同的病；把"只差鉴权"和"路不通"混成一条错误，会白白浪费半天。

三、常见报错与排查

1）现象：脚本一直报"未安装：ax"，但 pip list 里明明有。
根因：按导入名查了发行元数据。解法：改用 ax-platform、benchling-sdk、pylabrobot、isatools 这些 PyPI 发行名。顺带记住，benchling-api 这个包不存在，官方 SDK 只有 benchling-sdk。

2）现象：/openapi.json 连不上，但 App 里能看到机器人。
根因：机器人本机的 HTTP API（31950 端口）与 Opentrons App 走的网络路径不同，常见于跨网段、VPN 分流、办公网隔离打印机/设备的策略。解法：在机器人同一子网的机器上 curl http://{ROBOT_IP}:31950/openapi.json 验证；注意接口定义以设备本机 openapi.json 为权威，网上抓到的文档可能落后于你的机器人软件版本。

3）现象：Benchling 域名怎么试都是 DNS 解析失败。
根因：把 API 主机名当成了 api.benchling.com——这个形式不存在。真实形态是 https://{tenant}.benchling.com/api/v2/...，租户名在域名里。解法：登录网页端看浏览器地址栏的那一段子域就是 {tenant}。

4）现象：照着网上某段 Opentrons 代码写，robot.move_to(...) 报属性不存在。
根因：robot 对象与 move_to 属于已被 v2 取代的 v1 命名，而 Opentrons 的 /v1/ 与 /v2/ 文档树是分开的，搜索结果经常把你带进旧树。解法：v2 里唯一的协议入口是 def run(protocol: protocol_api.ProtocolContext)，见第 4 篇。

5）现象：Windows PowerShell 里 curl -H "..." -d '...' 报参数错误。
根因：PowerShell 的 curl 是 Invoke-WebRequest 的别名，参数语义完全不同。解法：写全 curl.exe，或者用 bash/WSL 执行本系列的 curl 示例。

四、动手练习

练习 1｜把体检跑绿（判据客观）
用你自己的环境跑 python loop_env_check.py --tenant <你的租户>，补齐 REQUIRED_PACKAGES。
判定标准：脚本输出中不再出现任何以 [必需] 开头的行；若未装学习层，允许出现"可选"行；把结论区截图存档。

练习 2｜制造并解释一次 401（判据可观察）
把 --tenant 改成一个不存在的子域，再改成正确的但故意不带凭据，各跑一次。
判定标准：你能用一句话分别说出两次的失败层（DNS/网关层 vs HTTP 层），并在日志里指出是哪个输出行支持你的判断（不可达：... 与 -> 404 / -> 401）。

练习 3｜给偏差归因（判据为结构化产出）
挑一个你做过的仿真算例，按 1.1 的表把它的已知误差分到①②③④四栏，每栏至少写一条"我需要什么数据才能确认"。
判定标准：产出的清单里必须出现"单位"、“不确定度”、“协议版本”、"仪器原始文件位置"这四项中至少三项——这就是第 5 篇 loop record 四要素的前身。

五、小结与下一篇预告

本篇把"要不要做闭环"这个口号问题拆成三个可回答的问题：偏差从哪里来（四张账单，其中三张不在仿真软件能力内）、孤岛贵在哪里（不可摊薄的固定成本，直接毒害学习层）、闭环最少需要什么（数据契约、设备控制、学习算法）。谱系与口径那一段（NBK535871 的 DBTL、Robot Scientist 2009 → Liverpool 2020 → A-Lab 2023 含勘误 → Coscientist 2023 → Nature 2026 特写）不是文献堆砌，而是在训练"每轮留痕"的职业习惯。体检脚本是你带走的第一个可复用工具，也是后续每一篇的前置检查。

下一篇（第 2 篇《闭环技术栈全景：三层一总线》）把三件套摊成完整技术栈：仿真层的 ASE 与 QuAcc、执行层的 Opentrons/Hamilton/Tecan 加硬件无关的 PyLabRobot 与 SiLA 2、记录层的 Benchling/SENAITE/LabArchives，以及把三层粘在一起的"总线"——数据契约与消息设计，并给出选型矩阵。第 3 篇从记录层握手开始动手，第 4 篇遥控机器人，第 5 篇把本篇反复提到的"四要素"写成代码。

本篇认知问题回显（FAQ）

Q1：仿真实验与湿实验结果偏差的主要来源有哪些，为什么提升算力和收敛阈值解决不了？
A：四类：模型形式误差（机理缺步骤）、参数误差（力场/速率常数取文献或估算值，重复仿真只会稳定地复现同一个错）、湿侧执行误差（试剂批次、移液系统误差、孔位错位、板边缘效应、温控漂移）、测量与记录误差（检出限以下填 0、单位漏写、积分规则不一）。后三类不在仿真软件能力内，只能靠设备控制与数据契约补。

Q2：实验室数据孤岛的成本具体落在哪些环节？
A：落在找数（同一化合物三套编号）、对齐（"浓度 12"没有单位与扣空白信息）、复现（不知哪版协议/参数集）、归因（整板偏高时无法区分设备与模型）、审计（程序化写入看不出动作来源，违背 21 CFR Part 11 §11.10 的系统时间戳与不遮盖先前信息）、学习（缺回报的 trial 污染拟合）。其中"未记录的失败实验"最贵。

Q3：设计-构建-测试-学习（Design-Build-Test-Learn，DBTL）的权威表述出自哪里？KEGG 的说法对吗？
A：权威规范化表述见美国国家科学院报告 Biotechnology in the Age of Synthetic Biology 第 2 章（https://www.ncbi.nlm.nih.gov/books/NBK535871/ ）：设计原型→构建物理实现→测试功能→从缺陷中学习→反馈下一轮；书中主用 DBT，learn 是闭环环节。"出自 KEGG 计划/Genome Consortium"无任何证据，属错引。

Q4：自动驾驶实验室（self-driving lab）谱系的代表工作与正确引用方式是什么？
A：Robot Scientist（Science 324, 85–89, 2009, DOI 10.1126/science.1165620）→ Mobile Robotic Chemist（Nature 583, 237–241, 2020, DOI 10.1038/s41586-020-2442-2）→ A-Lab（Nature 624, 2023, DOI 10.1038/s41586-023-06734-w，连续 17 天、58 目标得 41 化合物，无机材料固相合成，必须同引勘误 DOI 10.1038/s41586-025-09992-y）→ Coscientist（Nature 624, 570–578, 2023, DOI 10.1038/s41586-023-06792-0）→ Nature 652, 262–264, 2026 特写（DOI 10.1038/d41586-026-00974-2）。

Q5：一个能运行的仿真实验闭环最少需要哪三件套？
A：①数据契约——loop record 四要素：量名、单位、不确定度、追溯链（谁设计、谁执行、仪器原始文件在哪）；②设备控制——Opentrons 协议先用 opentrons.execute 本地仿真，再经机器人本机 http://{ROBOT_IP}:31950 的 POST /commands?waitUntilComplete=true（头 Opentrons-Version: 3）下发；③学习算法——ax-platform 1.3.1 的 ax.api.client.Client，用 get_next_trials() 取建议、complete_trial() 回填回报，且二者必须成对落库。