摘要：Anthropic 在 8 月 27 日开放 Model Hardware Standard（MHS）研究预览，目标是让 AI Agent 通过共同的设备描述和控制方式，操作并协调显微镜、液体处理器、机械臂、相机、板式读数器等实验室或制造设备。MHS 提供标准化驱动、read/write 基元、设备发现、自然语言元数据和会被执行的安全限制；Anthropic 还披露，一项包含稀释曲线和自主重跑的实验，从设备准备到完成约用 8 小时，而传统厂商交付的自动化集成通常需要数周。它是基础设施研究预览，不是“无人实验室”已经普及的证明。
实验室自动化的痛点往往不是某台仪器不会工作，而是液体处理器、机械臂和读数器各自有一套接口，步骤之间还夹着纸质手册、供应商软件和研究人员的经验。把模型接到其中一台设备，只能得到一个更方便的控制入口，不能自动解决跨设备的状态同步和安全边界。
MHS 值得写，不是因为它给 Claude 增加了一个新按钮，而是因为它尝试把“设备如何被发现、如何被理解、哪些动作可执行”变成共享层。本文只讨论这一项标准和官方早期案例，结论不会超出研究预览的证据。
AI Coding 交流群
如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。
具体发生了什么：用标准驱动翻译设备，而不是重写设备软件
Anthropic 的描述是，MHS 驱动位于计算机操作系统和硬件之间，用简单的 read 与 write 命令表达动作，例如读取温度或设置温度；设备还会以标准格式被发现，使设备和 Agent 能跨网络找到彼此。驱动的自然语言 tags 记录设备能测什么、能调什么、有哪些物理特征以及会执行哪些 safety limits。研究人员可以自己填写，也可以与 Agent 对话，由 Agent 访谈硬件配置后生成 reference file。
控制层支持 MCP、命令行和代码文件/API。短步骤可以由 Agent 观察状态并编排，长时间或需要更快执行的流程则可以把一串驱动命令写成确定性脚本。关键区别在于：模型负责探索和高层决策时，设备仍能按照已审查的脚本持续执行，不需要模型在每个毫秒级动作上重新推理。
一个完整场景：从自然语言实验到可复用脚本
以官方披露的实验为例，研究人员需要协调液体处理器、机械臂和板式读数器完成蛋白 assay。用户先用自然语言描述目标，Agent 结合知识库和可复用技能规划步骤，再通过 MHS 访问设备。运行中它读取仪器状态，按顺序传递样品，并根据读数判断是否需要调整参数。Anthropic 称，某项稀释曲线流程包含一次自主重跑，约 8 小时完成从原始设备准备到可运行编排；传统厂商交付的类似自动化设置通常要数周。
另一个案例是 qPCR：实验曲线被实时传回聊天界面供检查，Agent 可以在达到条件后推进到下一步或请求人确认。对研究人员而言，价值不只是少写几段接口代码，还包括不用在多个厂商程序之间来回切换，能在办公室监控运行，并把一次探索所得的参数沉淀为下一次可复用脚本。
为什么这一步改变了工作流：Agent 获得“眼睛、手和时间感”
没有标准层时，研究人员要先把每个厂商接口翻译成自己的自动化程序，再把结果拼成一个调度器；模型看到的通常只是零散的 API。MHS 把设备能力、物理约束和当前状态放到可发现的上下文里，Agent 才能把“设定参数—观察结果—调整—继续”作为一个跨仪器循环。Anthropic 还描述了激光校准实验：Claude 先调整激光，通过相机观察光束移动，重复探索后把学到的过程写成确定性代码文件。
这是一种从生成文本到生成操作程序的变化。一次探索可以产生两种交付：当下的实验结果和之后可审查、可重复的脚本。对研发组织来说，后者才是长期收益，因为它能把隐性的操作经验变成版本化资产；但这也要求每个脚本都能追溯到设备限制和人工批准。
限制、权限与必须由专家接管的节点
MHS 当前是面向部分科研实验室和先进制造商的 research preview，Anthropic 说仍在收集反馈、做安全评估，并计划后续开源标准。它是 model-agnostic 的，MCP 只是可用的访问协议之一，不能把它等同于 Claude 专属接口。更基本的限制是：没有 API、SDK 或 GUI 等可编程接口的硬件目前不在支持范围；模型对物理和空间关系的理解仍有限。
官方案例也给出具体风险：液体中的气泡会改变实际转移体积、触发液位传感器错误并干扰光学读数，Agent 可能把运行时错误简单地重试在同一孔位。Anthropic 表示还要增加安全检查、持续监测设备响应，并细化高风险决定何时需要人工批准。真实试用应先用无危险样品和可停止的设备，锁定设备级限制、网络权限、紧急停止与人工复核，再逐步扩大范围；不能因为 Agent 能生成脚本就取消现场专家。
结论：先验证接口和接管点，再谈实验规模化
MHS 的现实意义，是把实验室自动化里最昂贵的“接口翻译和跨设备编排”变成一个可复用的标准层。今天适合试用它的组织，应先挑一个有清晰成功指标、设备具备可编程接口、失败后可安全停机的流程，比较人工集成时间、脚本复用率、异常恢复和人工介入次数。8 小时与数周的案例值得关注，但它仍是特定早期项目的报告，不应直接当作所有实验室的节省承诺。
信息来源与事实说明
事实说明：文中产品能力、日期、版本和案例均以所列来源为准；“这意味着”“建议”等段落是编辑基于事实的工作流分析，不代表来源原话。
开发必备：API 全流程管理神器 Apifox
介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。
如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。
值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。
获取专属报价与部署方案
详细的私有化部署系统架构与安全白皮书
针对您公司规模的专属报价单
免费的 1v1 专属产品演示 (Demo) 机会
