通用智能体在244项生物信息任务上全数完成：准确率0.869，高于专用智能体的0.758

一个通用前沿模型配上现成的编程外壳，就能在需要产出自由格式文件的生物信息分析任务上完成全部题目，并比三个专用智能体更准确。 PromptBio-Bench原论文评测的Biomni、STELLA和ToolsGenie均以Claude Sonnet 4.6为后端，准确率为0.72至0.76并随难度下降，且原论文指出Claude Code、Codex这类原生编程外壳未被评测。 在原评测框架下，Claude Opus 5.5加技能完成率1.00、准确率0.869，Biomni与ToolsGenie为0.758、STELLA为0.717；配对McNemar检验中，对Biomni为39胜12负（p=2.0×10⁻⁴），对ToolsGenie为38胜11负（p=1.4×10⁻⁴），对STELLA为50胜13负（p=3.0×10⁻⁶）。

优势集中在中等和高难度任务，以及生物信息学赛道，而数据科学赛道上专用智能体本已接近饱和。 三个专用智能体在中等难度上停留在0.72至0.73，在高难度上为0.56至0.69。 Claude加技能在中等难度达到0.878、高难度0.756；赛道A准确率0.817，专用智能体为0.618至0.641，赛道B上Biomni已达0.920，Claude为0.929；逐任务取三个专用智能体的最优成绩，这一现实中无法实现的上界为0.889，仅比Claude高两点。

技能目录几乎没有带来收益，因为智能体从未真正加载任何技能。 技能配置与无技能配置的差别原本可能被归因于667个生物信息学技能的内容。 技能目录出现在444个子智能体会话中441个的上下文里，但没有一次技能调用或技能文件读取；修正评测器后，带技能配置在GPT判分下为0.918、Claude判分下为0.926，无技能配置为0.873和0.902，GPT判分下提升4.5个百分点（95%置信区间+2.0至+7.4），Claude判分下提升2.5个百分点（+0.4至+4.9）；技能运行消耗101.0M token，无技能为74.6M。

原评测框架的评分缺陷和参考答案缺陷，比智能体自身的分析错误更能解释失败。 在原框架下，Claude加技能有32项任务得分低于0.5，其中只有8项是智能体自身的错误或欠佳选择。 这32项中16项为评分器缺陷、3项为参考答案缺陷、5项依赖题目未说明的设置；修正11处评测器缺陷后，带技能配置在Claude判分下仍有18项失败，其中7项为参考答案缺陷、4项为未说明设置、7项为智能体选择。

结论建立在PromptBio-Bench的244项任务上，每题一次尝试、时限3600秒，智能体在共享conda环境中可自行安装工具并联网查资料；专用智能体的成绩取自原发布结果，只有原框架下的比较是同口径的。

专用智能体未用修正后的评测器重评，其输出也不可得；通用系统与专用系统使用了不同代际的后端模型；每种配置只运行一次，运行间方差未量化；两次运行的逐任务提示由各自的编排会话撰写，技能比较在提示层面未受控；GPT判分混合了GPT-5.6-sol与GPT-6.1-sol，且最后几处修正未应用于GPT判分运行；评测器修正与两条评分规则是在查看某一智能体输出后设计的，未经预注册；无法排除公开基准材料出现在模型训练数据中。