尧图网站建设 
本文收录于专栏开源蛋白生成方法实践—— 专栏系统覆盖开源蛋白/抗体设计与生成方法实战点击订阅可跟踪后续更新。你想让大模型替你跑 CDR 设计循环——提序列、折叠打分、反思改进、保留谱系OpenDDE Harness 是 Aureka 2026-09开源的LLM 智能体 OpenDDE 结构反馈抗体设计工作台。这篇给你设计循环机制、实验战绩80 合成 38 结合、与 Claude Science 的定位差异以及 Ubuntu 从零到 YAML 校验通过的部署全流程和 6 条实测踩坑。读完你能判断项目该不该上它照命令跑起客户端。OpenDDE的介绍请看相关博文OpenDDE 完全实战指南: 从零部署到抗体-抗原预测开源药物发现引擎深度解析关键字OpenDDE Harness抗体设计LLM 智能体OpenDDECDR 优化SolubleMPNNAureka本地部署目录§1. 为什么需要这个工具§2. 设计循环LLM 提案结构验证§3. 实验战绩与同类对比§4. 本地部署实测Ubuntu§5. 踩坑清单§6. 局限与展望§7. 结语与下一步§8. 参考来源OpenDDE 是 Aureka AI Research 2026-06 开源的 6.55 亿参数全原子生物分子共折叠基础模型arXiv:2607.03787Apache-2.0GitHub 492★OpenDDE Harness 是它在抗体设计上的智能体驾驶舱2026-09-09 发布预览版。§1. 为什么需要这个工具抗体计算设计的现状是工具很多、驾驶舱很少SolubleMPNN 做逆折叠、ESM2 打序列分、OpenDDE/Boltz 预测复合物、PLIP 分析接触——但决定改哪个 CDR 残基、保留哪条谱系、什么时候停止搜索的仍然是人。你在多个工具间手动搬运序列和结构每一轮突变-评估-筛选都要自己重新组织证据。LLM 智能体看起来能补这一环但裸 LLM 直接生成抗体序列有三个硬伤提案不合法改到框架区、引入非法氨基酸、没有结构反馈不知道提出来的是否折叠、是否贴表位、没有记忆上一轮失败的原因下一轮忘光。OpenDDE Harness 的解法一句话LLM 只负责提出改动 解读结果其余全部交给受控执行层。类比LLM 是研发总监提出把 CDR3 的第 101 位改成 Tyr 试试理由是疏水接触不足执行层是自动化实验室验证这个提案合法 → 折叠打分 → 质量门过滤 → 记入种群和谱系 → 反思模块把结果整理成下一轮的设计指南。总监不用碰移液枪但每一步都有台账。与给 Claude 一个 prompt 让它跑完整个 campaignClaude Science 路线的区别在技术报告里写得很直白Claude Science 回答agent 能不能跑一场 campaignOpenDDE Harness 提供的是可控系统——类型化契约、领域技能、确定性编排、有界计算服务agent 只在明确定义的决策边界上出手。这套轨迹数据还能反过来用于长程 LLM 训练下一节展开。§2. 设计循环LLM 提案结构验证2.1 一轮循环做什么技术报告给的循环契约每轮从保留种群中选一个父本Router 只暴露当前合法的设计技能设计 Agent 结合当前指标和搜索历史选一个技能生成候选序列——框架区和显式固定残基不可动每个合法候选折叠 打分OpenDDE硬门结构/表位/质量 去重 多样性约束 种群准入周期性反思存结构化设计案例后续循环复用学到的技能。内置 7 类设计能力Router 按概率分配CDR 点突变局部精修、CDR 全重设计探索新 paratope 几何、SolubleMPNN 逆折叠结构条件序列提案、ESM2 引导突变序列似然引导、表位与结构分析解释接触/热点/失败模式、进化与谱系分析反思阶段总结进展与停滞、可开发性过滤终端评估实验风险。2.2 双层架构与两种折叠模式Harness 分两层本地客户端TUI/CLI、agent、配置校验、门控、种群逻辑、长期记忆、tracing 看板和计算服务Docker 容器按需启动、空闲自毁内含 OpenDDE 折叠 SolubleMPNN/ESM2/PLIP/FoldMason 工具链。折叠有两种模式local本机 GPU/CPU 推理需下载 OpenDDE checkpointopendde_abag.pt 公共数据和api直接调 Aureka 官方折叠网关https://api.aurekabio.cloud免本地权重。两种模式共用同一套可配置加权损失pLDDT/ipTM/i_pAE/接触项/ESM2 分等 11 项权重YAML 可改。2.3 反思与自进化不是训练 LLM反思 Agent 把评估结果转成下一轮的结构化设计计划哪些 CDR 位点的突变与界面质量提升相关、反复出现的相互作用模式氢键/盐桥/疏水接触/空间冲突、成功或失败候选里反复出现的替换、需要规避的可开发性缺陷。关键定位这是工作流层面的自改进LLM 权重不动——性能提升来自后期决策复用早期循环积累的结构化证据。整套设计轨迹状态-动作-工具输出-结果-反思-下一状态同时是长程 LLM 训练的语料报告给出了从候选修复→亲和成熟→组合搜索→跨靶转移的四级课程式后训练蓝图。§3. 实验战绩与同类对比3.1 计算与实验两套证据技术报告2026-09-09的两层验证计算侧6 个抗体设计靶点上该 pipeline 的平均结构过滤通过率和成功 CDR 序列簇数高于测试基线直接 LLM 生成、贪心置信度优化、随机突变、固定进化搜索。实验侧4 个靶点-格式队列各合成 20 条设计、共 80 条38 条实验结合总命中率 47.5%RAGE 17/2085%代表亲和力 540 pM、TfR1 11/2055%380 nM、CXCR4 VHH 6/2030%4.5 nM、CXCR4 mAb 4/2020%68 nM经 Carterra SPR 或 BLI 验证。命中序列落在多个序列簇RAGE 9 簇/TfR1 5 簇/CXCR4 VHH 4 簇说明不是单一谱系撞大运。注意报告自己的限定实验证明的是优先推荐的序列确实结合不构成对基线的实验优越性。3.2 横向对比系统核心思路结构反馈开源适合谁OpenDDE HarnessLLM agent 编排 CDR 搜索循环OpenDDE 共折叠内置Apache-2.0客户端 PyPI 直装有 LLM API、想自动化 CDR 优化的团队RFdiffusion3全原子扩散生成 binder 骨架序列生成式非评估式开源de novo binder不限抗体格式BindCraft梯度优化 binder 设计闭环ProteinMPNNAF2 交替开源单靶点深度打磨Claude Science通用 agent 自主跑 campaign取决于拼装的工具流程非开源验证 agent 能力边界传统 CDR 突变OpenDDE 手跑人工决策每一轮有但不自动—不想引入 LLM 的团队定位差异RFD3/BindCraft 是生成器Harness 是驾驶舱——它本身不生成 CDR 提案报告原话生成交给 LLM折叠交给 OpenDDE自己管验证、种群、记忆和台账。§4. 本地部署实测Ubuntu以下全部在 Ubuntu 22.04 消费级 GPU12GB 显存实测2026-10-01。Harness 的分层设计对低配机器友好客户端TUI/agent/编排不依赖 DockerDocker 只在跑本地 GPU 折叠时才需要。4.1 硬事实速查2026-10-01 实测项值PyPI 包opendde-harness0.0.4首发 2026-09-094 个 releasePython≥3.12uv 自动装独立环境GitHubaurekaresearch/OpenDDE-Harness109★2026-08-19 建上游 OpenDDEaurekaresearch/OpenDDE492★Apache-2.0计算 imageaurekaresearch/opendde-harness:v1Docker Hub权重落盘~/.cache/opendde-harness/API 模式 2.5GB~/.cache/opendde/local 模式另加许可Apache-2.04.2 安装客户端3 条命令# 1. 装 uv已有可跳过 curl -LsSf https://astral.sh/uv/install.sh | sh 2. 安装 Harness 客户端uv 自动拉独立 Python 3.12 环境含 TUI uv tool install --python 3.12 opendde-harness 3. 验证 ddeharness --version # ϒ OpenDDE Harness v0.0.4 ddeharness tui --check # 无 TTY 提示正常需在真终端跑 TUI装完命令不在 PATH 就uv tool update-shell后重开终端。4.3 配置 LLM Provider直连 z.ai 实测通过Harness 走 pi-ai 模型服务40 providers / 1354 模型目录。内置 provider 用厂商端点自定义端点必须同时给--base-url和--api协议显式声明不猜# 内置 provider直接塞 key本机 GLM key 实测 1428ms 应答 ddeharness provider set zai --api-key 你的key ddeharness provider test zai # ✓ zai OK (glm-5.2 answered) 自定义 OpenAI 兼容端点示例本地或第三方中转 ddeharness provider set my-vllm --base-url http://host:8000/v1 --api openai-completions ddeharness provider set my-vllm --models qwen3-32b 设为默认模型必须写 provider/model 完整形式 ddeharness provider use zai/glm-5.24.4 下载模型资产# API 模式推荐起步只下 SolubleMPNN ESM2 650M约 2.5GB ddeharness compute prepare --assets-only --mode api # huggingface.co 直连失败会自动 fallback 到 hf-mirror.com实测生效 运行时代码快照OpenDDE LigandMPNN PLIP 三件套codeload 打包按 revision 缓存 ddeharness compute prepare --code-only → ~/.cache/opendde-harness/runtime-code/0.0.4-391912c74029e0185f28local 模式另加--mode local下载 OpenDDE 抗原-抗体 checkpointopendde_abag.pt components.cif 公共数据体积更大。4.5 校验设计任务无需 Docker拿官方 CACNG1 快速上手 YAML 验证配置合法性VHH 种子 10 循环 三种技能概率配比git clone https://github.com/aurekaresearch/OpenDDE-Harness.git cd OpenDDE-Harness ddeharness protein-design validate -c docs/examples/cacng1_quickstart.yaml # 输出Protein-design configuration is valid. # target: CACNG1 | cycles: 10 | population_size: 20 | binder_type: VHH # mutable_residue_count: 37 | fold_backend: opendde | loss 权重 11 项4.6 真正跑设计循环还差什么客户端侧到此全部就绪。跑完整循环需要计算服务三选一① 本地 Dockerdocker pull aurekaresearch/opendde-harness:v1Linux x86-64 NVIDIA Container Toolkit② 连已有的远程计算服务YAML 里compute.url绑定支持多 worker 负载均衡③ API 模式直接用官方折叠网关免 Dockerfold.execution_mode设 api。本机实测卡在 Docker 权限见踩坑 1属于环境问题而非软件问题。§5. 踩坑清单实测#症状根因修复1permission denied ... docker.sock当前用户不在 docker 组Docker 29.1.3 已装sudo usermod -aG docker $USER后重登录或全程走 API 模式绕开 Docker2provider test报config_unreadable: language: Input should be en or zh首次 CLI 写出的 config.json 缺language字段schema 校验拒绝手动补language: en再 test一次修复永久生效3moonshotai 401 Invalid AuthenticationKimi 的 coding 专用 key 不适用于 pi 内置 moonshotai 端点换 z.ai key 直连成功或用--base-url --api声明自定义端点4provider use zai报 cannot tell which provider serves模型引用必须带 provider 前缀ddeharness provider use zai/glm-5.25ESM2 下载 5 个文件 ConnectErrorhuggingface.co 直连超时Harness 自动 fallback hf-mirror.com全部下载成功并过 SHA256 校验无需手动干预6ddeharness tui --check报no TTYTUI 需要真终端在桌面终端直接跑ddeharness tui无头机器用 CLI 子命令§6. 局限与展望当前边界0.0.4 预览版只接受单链 VHH/scFv 和 VH/VL 配对抗体其他 binder 拓扑在计算分配前直接拒绝指标ipTM/pLDDT/接触是替代信号不直接测结合自由能实验侧证明的是命中率而非对基线的优越性LLM 采样、父本采样、分子推理都引入随机性复现需要锁 prompt/版本/配置/种子。值得跟踪的信号① 版本迭代很快9 天 4 个 release0.0.4 换了 TUI 框架并改了配置 schema不自动迁移② 设计轨迹语料用于 LLM 后训练是官方明确方向——如果团队在做科学领域 agent 训练这套带台账的环境比裸 prompt 轨迹值钱③ OpenDDE 主模型本身还在 scaling论文给了数据和推理两个 scaling 方向。§7. 结语与下一步OpenDDE Harness 把LLM 提案 结构验证 种群记忆做成了一个可审计的抗体设计操作系统而不是一个 prompt。对有 LLM API、正在做 CDR 优化的团队它是目前开源侧最完整的驾驶舱起点客户端 3 条命令装好、API 模式 2.5GB 权重就能起步、YAML 校验不需要 Docker。下一步建议拿官方 CACNG1 quickstart YAML 跑通第一个 10 循环任务对照 tracing 看板理解种群与谱系视图再决定是否投入本地 GPU 折叠。§8. 参考来源资源链接与本文关系OpenDDE Harness 仓库github.com/aurekaresearch/OpenDDE-Harness本文对象安装/文档/示例来源Harness 技术报告 PDFOpenDDE_harness_tech_report.pdf38/80 命中率、循环契约、架构描述主源OpenDDE 主模型仓库github.com/aurekaresearch/OpenDDE折叠引擎上游492★OpenDDE 论文arXiv:2607.037876.55 亿参数共折叠基础模型定位PyPI 包页pypi.org/project/opendde-harness版本时间线0.0.1-0.0.4Aureka 官方新闻aurekabio.com/news/60公司背景与发布口径我的专栏蛋白 / 多肽分子模拟 / 动力学分子对接 / CADD / 工具其他开源蛋白结构推理预测分子模拟基础UCSF DOCK系列agent智能体系列开源蛋白生成方法实践分子动力学模拟-AmberrDock系列化学大模型介绍2025蛋白药物设计-原理与案例剖析分子动力学模拟-GromacsLeDock系列我胡师兄说药开源多肽设计模型和方法实践結合自由能CADD中的机器学习模型siRNA药物设计模型开源多肽性质预测高效计算基本配置小分子药物设计-原理与案例剖析ASO药物设计模型多肽药物设计-原理与案例剖析作用于DNA/RNA的药物设计实践开源小分子生成和设计实践开源药代动力学模拟软件 OpenDDE Harness：LLM 智能体抗体设计实战——本地部署 Aureka 开源抗体药物发现引擎
本文收录于专栏开源蛋白生成方法实践—— 专栏系统覆盖开源蛋白/抗体设计与生成方法实战点击订阅可跟踪后续更新。你想让大模型替你跑 CDR 设计循环——提序列、折叠打分、反思改进、保留谱系OpenDDE Harness 是 Aureka 2026-09开源的LLM 智能体 OpenDDE 结构反馈抗体设计工作台。这篇给你设计循环机制、实验战绩80 合成 38 结合、与 Claude Science 的定位差异以及 Ubuntu 从零到 YAML 校验通过的部署全流程和 6 条实测踩坑。读完你能判断项目该不该上它照命令跑起客户端。OpenDDE的介绍请看相关博文OpenDDE 完全实战指南: 从零部署到抗体-抗原预测开源药物发现引擎深度解析关键字OpenDDE Harness抗体设计LLM 智能体OpenDDECDR 优化SolubleMPNNAureka本地部署目录§1. 为什么需要这个工具§2. 设计循环LLM 提案结构验证§3. 实验战绩与同类对比§4. 本地部署实测Ubuntu§5. 踩坑清单§6. 局限与展望§7. 结语与下一步§8. 参考来源OpenDDE 是 Aureka AI Research 2026-06 开源的 6.55 亿参数全原子生物分子共折叠基础模型arXiv:2607.03787Apache-2.0GitHub 492★OpenDDE Harness 是它在抗体设计上的智能体驾驶舱2026-09-09 发布预览版。§1. 为什么需要这个工具抗体计算设计的现状是工具很多、驾驶舱很少SolubleMPNN 做逆折叠、ESM2 打序列分、OpenDDE/Boltz 预测复合物、PLIP 分析接触——但决定改哪个 CDR 残基、保留哪条谱系、什么时候停止搜索的仍然是人。你在多个工具间手动搬运序列和结构每一轮突变-评估-筛选都要自己重新组织证据。LLM 智能体看起来能补这一环但裸 LLM 直接生成抗体序列有三个硬伤提案不合法改到框架区、引入非法氨基酸、没有结构反馈不知道提出来的是否折叠、是否贴表位、没有记忆上一轮失败的原因下一轮忘光。OpenDDE Harness 的解法一句话LLM 只负责提出改动 解读结果其余全部交给受控执行层。类比LLM 是研发总监提出把 CDR3 的第 101 位改成 Tyr 试试理由是疏水接触不足执行层是自动化实验室验证这个提案合法 → 折叠打分 → 质量门过滤 → 记入种群和谱系 → 反思模块把结果整理成下一轮的设计指南。总监不用碰移液枪但每一步都有台账。与给 Claude 一个 prompt 让它跑完整个 campaignClaude Science 路线的区别在技术报告里写得很直白Claude Science 回答agent 能不能跑一场 campaignOpenDDE Harness 提供的是可控系统——类型化契约、领域技能、确定性编排、有界计算服务agent 只在明确定义的决策边界上出手。这套轨迹数据还能反过来用于长程 LLM 训练下一节展开。§2. 设计循环LLM 提案结构验证2.1 一轮循环做什么技术报告给的循环契约每轮从保留种群中选一个父本Router 只暴露当前合法的设计技能设计 Agent 结合当前指标和搜索历史选一个技能生成候选序列——框架区和显式固定残基不可动每个合法候选折叠 打分OpenDDE硬门结构/表位/质量 去重 多样性约束 种群准入周期性反思存结构化设计案例后续循环复用学到的技能。内置 7 类设计能力Router 按概率分配CDR 点突变局部精修、CDR 全重设计探索新 paratope 几何、SolubleMPNN 逆折叠结构条件序列提案、ESM2 引导突变序列似然引导、表位与结构分析解释接触/热点/失败模式、进化与谱系分析反思阶段总结进展与停滞、可开发性过滤终端评估实验风险。2.2 双层架构与两种折叠模式Harness 分两层本地客户端TUI/CLI、agent、配置校验、门控、种群逻辑、长期记忆、tracing 看板和计算服务Docker 容器按需启动、空闲自毁内含 OpenDDE 折叠 SolubleMPNN/ESM2/PLIP/FoldMason 工具链。折叠有两种模式local本机 GPU/CPU 推理需下载 OpenDDE checkpointopendde_abag.pt 公共数据和api直接调 Aureka 官方折叠网关https://api.aurekabio.cloud免本地权重。两种模式共用同一套可配置加权损失pLDDT/ipTM/i_pAE/接触项/ESM2 分等 11 项权重YAML 可改。2.3 反思与自进化不是训练 LLM反思 Agent 把评估结果转成下一轮的结构化设计计划哪些 CDR 位点的突变与界面质量提升相关、反复出现的相互作用模式氢键/盐桥/疏水接触/空间冲突、成功或失败候选里反复出现的替换、需要规避的可开发性缺陷。关键定位这是工作流层面的自改进LLM 权重不动——性能提升来自后期决策复用早期循环积累的结构化证据。整套设计轨迹状态-动作-工具输出-结果-反思-下一状态同时是长程 LLM 训练的语料报告给出了从候选修复→亲和成熟→组合搜索→跨靶转移的四级课程式后训练蓝图。§3. 实验战绩与同类对比3.1 计算与实验两套证据技术报告2026-09-09的两层验证计算侧6 个抗体设计靶点上该 pipeline 的平均结构过滤通过率和成功 CDR 序列簇数高于测试基线直接 LLM 生成、贪心置信度优化、随机突变、固定进化搜索。实验侧4 个靶点-格式队列各合成 20 条设计、共 80 条38 条实验结合总命中率 47.5%RAGE 17/2085%代表亲和力 540 pM、TfR1 11/2055%380 nM、CXCR4 VHH 6/2030%4.5 nM、CXCR4 mAb 4/2020%68 nM经 Carterra SPR 或 BLI 验证。命中序列落在多个序列簇RAGE 9 簇/TfR1 5 簇/CXCR4 VHH 4 簇说明不是单一谱系撞大运。注意报告自己的限定实验证明的是优先推荐的序列确实结合不构成对基线的实验优越性。3.2 横向对比系统核心思路结构反馈开源适合谁OpenDDE HarnessLLM agent 编排 CDR 搜索循环OpenDDE 共折叠内置Apache-2.0客户端 PyPI 直装有 LLM API、想自动化 CDR 优化的团队RFdiffusion3全原子扩散生成 binder 骨架序列生成式非评估式开源de novo binder不限抗体格式BindCraft梯度优化 binder 设计闭环ProteinMPNNAF2 交替开源单靶点深度打磨Claude Science通用 agent 自主跑 campaign取决于拼装的工具流程非开源验证 agent 能力边界传统 CDR 突变OpenDDE 手跑人工决策每一轮有但不自动—不想引入 LLM 的团队定位差异RFD3/BindCraft 是生成器Harness 是驾驶舱——它本身不生成 CDR 提案报告原话生成交给 LLM折叠交给 OpenDDE自己管验证、种群、记忆和台账。§4. 本地部署实测Ubuntu以下全部在 Ubuntu 22.04 消费级 GPU12GB 显存实测2026-10-01。Harness 的分层设计对低配机器友好客户端TUI/agent/编排不依赖 DockerDocker 只在跑本地 GPU 折叠时才需要。4.1 硬事实速查2026-10-01 实测项值PyPI 包opendde-harness0.0.4首发 2026-09-094 个 releasePython≥3.12uv 自动装独立环境GitHubaurekaresearch/OpenDDE-Harness109★2026-08-19 建上游 OpenDDEaurekaresearch/OpenDDE492★Apache-2.0计算 imageaurekaresearch/opendde-harness:v1Docker Hub权重落盘~/.cache/opendde-harness/API 模式 2.5GB~/.cache/opendde/local 模式另加许可Apache-2.04.2 安装客户端3 条命令# 1. 装 uv已有可跳过 curl -LsSf https://astral.sh/uv/install.sh | sh 2. 安装 Harness 客户端uv 自动拉独立 Python 3.12 环境含 TUI uv tool install --python 3.12 opendde-harness 3. 验证 ddeharness --version # ϒ OpenDDE Harness v0.0.4 ddeharness tui --check # 无 TTY 提示正常需在真终端跑 TUI装完命令不在 PATH 就uv tool update-shell后重开终端。4.3 配置 LLM Provider直连 z.ai 实测通过Harness 走 pi-ai 模型服务40 providers / 1354 模型目录。内置 provider 用厂商端点自定义端点必须同时给--base-url和--api协议显式声明不猜# 内置 provider直接塞 key本机 GLM key 实测 1428ms 应答 ddeharness provider set zai --api-key 你的key ddeharness provider test zai # ✓ zai OK (glm-5.2 answered) 自定义 OpenAI 兼容端点示例本地或第三方中转 ddeharness provider set my-vllm --base-url http://host:8000/v1 --api openai-completions ddeharness provider set my-vllm --models qwen3-32b 设为默认模型必须写 provider/model 完整形式 ddeharness provider use zai/glm-5.24.4 下载模型资产# API 模式推荐起步只下 SolubleMPNN ESM2 650M约 2.5GB ddeharness compute prepare --assets-only --mode api # huggingface.co 直连失败会自动 fallback 到 hf-mirror.com实测生效 运行时代码快照OpenDDE LigandMPNN PLIP 三件套codeload 打包按 revision 缓存 ddeharness compute prepare --code-only → ~/.cache/opendde-harness/runtime-code/0.0.4-391912c74029e0185f28local 模式另加--mode local下载 OpenDDE 抗原-抗体 checkpointopendde_abag.pt components.cif 公共数据体积更大。4.5 校验设计任务无需 Docker拿官方 CACNG1 快速上手 YAML 验证配置合法性VHH 种子 10 循环 三种技能概率配比git clone https://github.com/aurekaresearch/OpenDDE-Harness.git cd OpenDDE-Harness ddeharness protein-design validate -c docs/examples/cacng1_quickstart.yaml # 输出Protein-design configuration is valid. # target: CACNG1 | cycles: 10 | population_size: 20 | binder_type: VHH # mutable_residue_count: 37 | fold_backend: opendde | loss 权重 11 项4.6 真正跑设计循环还差什么客户端侧到此全部就绪。跑完整循环需要计算服务三选一① 本地 Dockerdocker pull aurekaresearch/opendde-harness:v1Linux x86-64 NVIDIA Container Toolkit② 连已有的远程计算服务YAML 里compute.url绑定支持多 worker 负载均衡③ API 模式直接用官方折叠网关免 Dockerfold.execution_mode设 api。本机实测卡在 Docker 权限见踩坑 1属于环境问题而非软件问题。§5. 踩坑清单实测#症状根因修复1permission denied ... docker.sock当前用户不在 docker 组Docker 29.1.3 已装sudo usermod -aG docker $USER后重登录或全程走 API 模式绕开 Docker2provider test报config_unreadable: language: Input should be en or zh首次 CLI 写出的 config.json 缺language字段schema 校验拒绝手动补language: en再 test一次修复永久生效3moonshotai 401 Invalid AuthenticationKimi 的 coding 专用 key 不适用于 pi 内置 moonshotai 端点换 z.ai key 直连成功或用--base-url --api声明自定义端点4provider use zai报 cannot tell which provider serves模型引用必须带 provider 前缀ddeharness provider use zai/glm-5.25ESM2 下载 5 个文件 ConnectErrorhuggingface.co 直连超时Harness 自动 fallback hf-mirror.com全部下载成功并过 SHA256 校验无需手动干预6ddeharness tui --check报no TTYTUI 需要真终端在桌面终端直接跑ddeharness tui无头机器用 CLI 子命令§6. 局限与展望当前边界0.0.4 预览版只接受单链 VHH/scFv 和 VH/VL 配对抗体其他 binder 拓扑在计算分配前直接拒绝指标ipTM/pLDDT/接触是替代信号不直接测结合自由能实验侧证明的是命中率而非对基线的优越性LLM 采样、父本采样、分子推理都引入随机性复现需要锁 prompt/版本/配置/种子。值得跟踪的信号① 版本迭代很快9 天 4 个 release0.0.4 换了 TUI 框架并改了配置 schema不自动迁移② 设计轨迹语料用于 LLM 后训练是官方明确方向——如果团队在做科学领域 agent 训练这套带台账的环境比裸 prompt 轨迹值钱③ OpenDDE 主模型本身还在 scaling论文给了数据和推理两个 scaling 方向。§7. 结语与下一步OpenDDE Harness 把LLM 提案 结构验证 种群记忆做成了一个可审计的抗体设计操作系统而不是一个 prompt。对有 LLM API、正在做 CDR 优化的团队它是目前开源侧最完整的驾驶舱起点客户端 3 条命令装好、API 模式 2.5GB 权重就能起步、YAML 校验不需要 Docker。下一步建议拿官方 CACNG1 quickstart YAML 跑通第一个 10 循环任务对照 tracing 看板理解种群与谱系视图再决定是否投入本地 GPU 折叠。§8. 参考来源资源链接与本文关系OpenDDE Harness 仓库github.com/aurekaresearch/OpenDDE-Harness本文对象安装/文档/示例来源Harness 技术报告 PDFOpenDDE_harness_tech_report.pdf38/80 命中率、循环契约、架构描述主源OpenDDE 主模型仓库github.com/aurekaresearch/OpenDDE折叠引擎上游492★OpenDDE 论文arXiv:2607.037876.55 亿参数共折叠基础模型定位PyPI 包页pypi.org/project/opendde-harness版本时间线0.0.1-0.0.4Aureka 官方新闻aurekabio.com/news/60公司背景与发布口径我的专栏蛋白 / 多肽分子模拟 / 动力学分子对接 / CADD / 工具其他开源蛋白结构推理预测分子模拟基础UCSF DOCK系列agent智能体系列开源蛋白生成方法实践分子动力学模拟-AmberrDock系列化学大模型介绍2025蛋白药物设计-原理与案例剖析分子动力学模拟-GromacsLeDock系列我胡师兄说药开源多肽设计模型和方法实践結合自由能CADD中的机器学习模型siRNA药物设计模型开源多肽性质预测高效计算基本配置小分子药物设计-原理与案例剖析ASO药物设计模型多肽药物设计-原理与案例剖析作用于DNA/RNA的药物设计实践开源小分子生成和设计实践开源药代动力学模拟软件