# Stuntman 闭环怎么搭：配置文件、脚本和优化器

- 网址:https://unchainedlabs.help/product/stuntman/resources/closed-loop-build

**Stuntman 闭环怎么搭 配置文件、脚本和优化器各管什么**

闭环自动化让上一轮实验的结果自动决定下一轮做什么。Stuntman 上的闭环由三样东西组成：一份写实验内容的配置文件，一组 Python 脚本，一个挑条件的优化器。

内容依据原厂技术说明 Dive deep into Stuntman’s closed-loop automation（Rev A）。蔗糖水解案例的运行结果见无人值守的闭环优化，这里讲闭环的结构，以及换成自己的实验时要改哪些部分。

## 每一轮都经过设计、执行、测量、学习四个阶段

常规自动化能把固定流程跑完，但设计、分析和决策还是分开的。每轮结束，科学家要先整理数据，判断结果，再选下一批条件，然后启动新的运行。闭环把这几步连起来，四个阶段按顺序重复：

- **设计**：把优化器选中的条件写成 Stuntman 能执行的设计。
- **执行**：在 Stuntman 的模块化台面上跑这些条件。
- **测量**：由集成的分析仪器采集实验结果。
- **学习**：把测量值换算成目标值，交回优化器。

*图:图 1 闭环的四个阶段：设计、执行、测量、学习。图取自原厂技术说明。*

## 实验内容写在配置文件里，和流程脚本分开

配置文件用 XLSX 或 JSON，闭环脚本里不写具体实验。配置文件里有这几项：

- 物料，以及每种物料在实验里的角色
- 实验设置
- 各变量的取值范围
- 优化标准
- 轮数上限

要复查或调整实验，改配置文件即可，不用改闭环的步骤顺序。

运行时，generate_design.py 把选中的条件打包成一个 .stunt 文件。Stuntman 的执行数据和分析仪器的结果也写进这个文件。计划做什么、实际跑了什么、测到什么，都在同一个结构化文件里。

## closed_loop.py 按顺序调用六个步骤，每个脚本只做一件事

*图:图 2 闭环的脚本结构：closed_loop.py 居中调度，其余脚本各负责一步。图取自原厂技术说明。*

closed_loop.py 是主脚本。它先读配置文件，把搜索空间和目标交给 optimizer.py，然后每轮按下面的顺序走，直到满足停止条件：

- **决策（optimizer.py）**：根据搜索空间、目标和已有结果，提出第一批或下一批候选条件。
- **更新（update.py）**：把候选条件交给 generate_design.py。
- **写设计（generate_design.py）**：用选中的条件生成 Python 设计，再转成可执行的 .stunt 文件。
- **运行实验**：Stuntman API 启动这份设计，Stuntman 配样、处理样品，取出检测样品转到集成的分析仪器。
- **分析数据（analysis.py）**：把每个检测结果换算成目标函数要用的参数值。
- **评估（evaluate.py）**：对照停止条件检查结果。继续就把结果交回 optimizer.py，满足条件就结束。

优化、生成设计、执行、分析和评估分在不同的脚本里。决策逻辑因此不依赖具体的实验操作，每个脚本可以单独审核或修改，不用重写整个闭环。

科学家用自然语言描述实验目标和流程，Stuntman AI 据此生成并修改脚本。这些脚本先读配置、生成设计、执行实验，再做分析、评估和优化。脚本在实验开始前先经过审核和验证。运行中由验证过的脚本调度流程，由优化器选条件。

## 优化器用已测的条件估计未测条件的表现和不确定度

演示流程用的是高斯过程贝叶斯优化器，基于 scikit-optimize 实现。它用已测条件和它们的目标得分建一个代理模型。对没测过的条件，模型同时给出预期表现和不确定度。

挑候选条件时，优化器在两件事之间取平衡：在已经表现好的区域细化，和去不确定度高的区域探索，那里可能有更好的条件。每轮的新测量值先更新代理模型，再提出下一批候选。

蔗糖水解流程的设置如下。每轮 12 个候选，最多 12 轮。12 个候选里，1 个是固定对照，1 个是目前得分最高的非对照条件，另外 10 个是新提出的条件。探索比例按轮数分三段：

> | 轮次 | 探索比例 |
> | --- | --- |
> | 第 1–4 轮 | 90% |
> | 第 5–8 轮 | 50% |
> | 第 9–12 轮 | 10% |

前几轮大范围覆盖条件空间，后几轮集中细化。每个候选按反应速率和线性打归一化综合得分，合格线是速率 ≥ 10 μM/s、线性 ≥ 0.99、综合得分 ≥ 1。

*图:图 3 optimizer.py 节选。首行注释是探索比例。下面定义每轮 12 个候选，其中 10 个由优化器提出；还有对照条件，以及转化酶、pH、NaCl 的取值范围。图取自原厂技术说明。*

闭环不限于贝叶斯优化。流程需要实验设计（DoE）、基于规则的逻辑或自定义模型时，可以换成别的决策方法。

## 选中的条件经 update.py 和 generate_design.py 变成 .stunt 设计

优化器选出一批候选后，update.py 把条件交给 generate_design.py。generate_design.py 生成可执行的 .stunt 设计。Stuntman API 启动这份设计，Stuntman 执行。

以蔗糖水解流程为例，每轮 12 个反应。每个反应在 0、10、20、30 min 各取一个样，得到吸光度时间曲线，用来算反应速率和线性。台面上放三块板：

- 反应板，放反应混合物
- 淬灭板，放淬灭后的反应
- Stunner 板，作检测板

Stuntman 加试剂、混合，按时间点取样，转到淬灭板终止反应，再把淬灭后的样品移到 Stunner 板上。Stunner 测 UV/Vis 吸光度，analysis.py 把每条吸光度时间曲线换算成反应速率和线性，交回优化器。

## evaluate.py 每轮检查停止条件，所有数据留在 .stunt 文件里

停止条件写在配置里，evaluate.py 每轮结束后检查一次。演示运行用的是最大轮数，也可以设成性能阈值。用户也可以在达到停止条件前手动终止实验。

无论继续还是结束，输入、选中的条件、执行数据、测量值和结果都留在 .stunt 文件里，可以复查。

## 换实验时，闭环主体不变，改物料、台面、检测和评分

这套闭环结构可以搬到新的实验流程上。技术说明把各部分分成两类：

> | 类别 | 包括 |
> | --- | --- |
> | 可以不变 | 主循环的写法、状态管理、验证过的各步交接，以及结果必须交回优化器这一要求 |
> | 随流程改 | 物料和变量范围、台面配置、执行方式、集成的分析仪器、检测读数、目标函数、优化器、停止逻辑 |

技术说明列出的应用方向有三类：

- 小分子与化学：反应筛选、反应优化、预制剂
- 材料与能源：电解液配方、聚合物开发、催化剂筛选
- 生物药与基因治疗：多参数可开发性研究

技术说明对生物药只提到多参数可开发性研究。照上表的划分，主循环不变，要换的是物料和变量、台面模块、检测仪器、读数和评分方式。检测仪器见 Stunner 和 Aunty，台面模块见 Stuntman 模块与规格，软件见 Stuntman 软件。
