Boltz Skill

Boltz-2 的渐进披露 recipe。Boltz-2 是开放权重的扩散式 co-folding 模型：输入蛋白质、DNA、RNA 与配体链，输出 mmCIF 结构和一组 confidence，还带一个可选的小分子 affinity 预测头。这份 recipe 教 Agent 怎么写输入 YAML、怎么驱动外部的 boltz 依赖包、怎么读回结构与 confidence 文件。Boltz 本身并不随本目录分发。四个 co-folding Skill 里，binder 验证类的任务默认走它：权重是完全开放的 MIT 许可，采样也是四者里最快的。

依赖包、权重、GPU 与可选的 MSA 服务均须另行可用。四个 co-folding 模型里只有 Boltz-2 会返回一个带实验单位的数——affinity_pred_value 就是 log10(IC50，单位 μM)——也正因为如此，它特别容易被当成某次实验测出来的结果去引用。它的作用是把候选排出先后，不是把它们测出来。ipTM 是同一类东西：它说的是模型把界面摆得前后一致。这两个数都不能证明两条链真的会结合。

安装

一个 Skill 就是一个文件目录，所谓安装，就是把这个目录复制到 Agent 会去读的地方。有 Node 18+、且 PATH 上有 git（npm 靠它解析 github: 形式的包名）即可，无需先克隆仓库：

npx github:PKU-YuanGroup/OpenAI4S install boltz --target claude

--target claude 写入 ~/.claude/skills，claude-project 写入 ./.claude/skills，openai4s 写入 <data_dir>/user-skills，--dir <path> 则写到你指定的任意位置。往目标写任何东西之前，都会先打印解析出的绝对路径；--dry-run 到此为止，不再写入。重装时，若目标副本被你改过、或者不是它自己装的，就拒绝覆盖；uninstall 也只删除它自己写过的文件。对于 npm 发布版中包含的配方，可用 npx @pku-yuangroup/openai4s-skills install boltz --target claude 安装发布版本。npm 目录可能与当前仓库不同。

没有 Node 时，直接取这个目录——需要 .zip 上传时再打包。tarball 是整个仓库（超过 100 MB），下面这条管道是 POSIX shell（macOS、Linux、WSL）写法，只解出这一个目录：

curl -L https://codeload.github.com/PKU-YuanGroup/OpenAI4S/tar.gz/refs/heads/main \
  | tar -xz --strip-components=2 OpenAI4S-main/skills/boltz
python3 -m zipfile -c boltz.zip boltz

同一份内容的图形界面版本是点击下载整个仓库 zip 包，Windows 上也走这条路：解压后把 skills/boltz/ 拷出来即可（unzip main.zip 'OpenAI4S-main/skills/boltz/*' 只解这一个目录）。如果你本来就在跑 OpenAI4S，那这里没有任何东西需要安装——wheel 自带全部内置 Skill，且内置 Skill 优先于 <data_dir>/user-skills 里的同名副本。目标目录、来源记录，以及安装器拒绝去做的那些事：tools/skills-installer/。

文件

文件职责

SKILL.md 开头讲 YAML 的 entity 块和 boltz predict 的参数，篇幅的大头留给了另外三个 co-folding 模型都没有的 affinity 预测头：在 properties: 块里指定某一条 ligand 链作为 binder，affinity_pred_value 返回的是 log10(IC50，单位 μM)，排序命中要看的是 affinity_probability_binary。一次输入只能算一个 affinity 配体，Boltz v2.2.x 还把它限制在 128 个原子以内；用 FASTA 输入则根本没法要 affinity。两个坑各占一节：msa: empty 只换来精度损失，省不下显存，因为 MSA 搜索跑在 CPU 上；--no_kernels 会退回参考的 PyTorch 实现，SKILL 给的说法是慢一倍左右，但结果是正确的、不是降级的，适合临时救急，不适合整轮 campaign。本仓库既没有给这条路径做过基准测试，也没有拿它和 fused kernel 的输出对比过，所以这只是经验性的指引，而不是「输出完全一致」的实测结论。之后是 confidence JSON 的读法、一张报错对照表和许可。

文件	职责
`SKILL.md`	开头讲 YAML 的 entity 块和 `boltz predict` 的参数，篇幅的大头留给了另外三个 co-folding 模型都没有的 affinity 预测头：在 `properties:` 块里指定某一条 ligand 链作为 binder，`affinity_pred_value` 返回的是 log10(IC50，单位 μM)，排序命中要看的是 `affinity_probability_binary`。一次输入只能算一个 affinity 配体，Boltz v2.2.x 还把它限制在 128 个原子以内；用 FASTA 输入则根本没法要 affinity。两个坑各占一节：`msa: empty` 只换来精度损失，省不下显存，因为 MSA 搜索跑在 CPU 上；`--no_kernels` 会退回参考的 PyTorch 实现，SKILL 给的说法是慢一倍左右，但结果是正确的、不是降级的，适合临时救急，不适合整轮 campaign。本仓库既没有给这条路径做过基准测试，也没有拿它和 fused kernel 的输出对比过，所以这只是经验性的指引，而不是「输出完全一致」的实测结论。之后是 confidence JSON 的读法、一张报错对照表和许可。