引言
最近在跑一个 scRNA-seq 流程时，我尝试完全用 AI 生成代码。结果很震惊：它不仅写出了 Seurat V5 的标准流程，甚至还帮我通过了 QC...
AI 能做什么？
- 代码生成：从 R 到 Python，基础绘图代码秒出。
- Debug：把报错扔给它，准确率惊人。
- 文献速读：快速提取 Methods 部分的关键参数。
AI 做不到什么？
但是，当我拿着结果去和湿实验同事讨论时，问题来了... * 生物学意义挖掘：AI 可以告诉你 Cluster 1 是 T 细胞，但它不知道这群 T 细胞在这个特定样本中意味着什么。 * 数据清洗的直觉：有时候一个异常点不是技术噪音，而是重大发现。
我们的新定位
作为生信工程师，我们的核心竞争力正在从“写代码”转移到： 1. 提出正确的问题 (Prompt Engineering for Bio) 2. 验证 AI 的结果 (Quality Control) 3. 整合多组学讲故事 (Data Storytelling)
在这个博客里，我将分享我是如何利用 AI 工具（Cursor, Copilot, ChatGPT）来增强我的分析能力，而不是被它们取代。
Let's hack biology with AI.