Rowan 访问权限、定价与积分体系完全指南:免费额度、按计算类型计费与成本估算

原创2026-09-12 18:50:251,382 阅读
文章标签:AI 技能AI 插件人工智能科研生物信息学科学计算数据分析

Rowan 访问权限、定价与积分体系完全指南:免费额度、按计算类型计费与成本估算

导读

Rowan 是一个云原生的分子建模与药物化学工作流平台,通过 Python API 提供 pKa 预测、构象/互变异构体搜索、对接、蛋白-配体共折叠等能力,省去本地 HPC 与 GPU 基础设施的维护成本。在接入该平台之前,理解其访问模型与计费机制至关重要。本文基于 skills/rowan/references/access_and_pricing.md 展开,结合 skills/rowan/SKILL.md 的 API 用法与 skills/rowan/references/workflow_catalog.md 的工作流清单,系统说明 Rowan 的免费层规则、积分(credit)消耗模型、典型成本估算表,以及如何利用 max_credits 等参数控制花销。

一、访问与定价模型总览

Rowan 采用基于积分的计费模型(credit-based usage model)。与传统的按月订阅不同,这种模式下用户按实际消耗的计算资源付费,用完即止、灵活可控。关键点在于:

  • 所有用户(包括免费层用户)都可以创建 API Key;
  • 所有用户都可以使用 Python API 访问 Rowan 的全部核心工作流;
  • 计费单元是积分(credit),积分按计算类型(CPU/GPU)实时消耗。

也就是说,免费层并非功能阉割版本,而是"零成本起步、按量付费"的入口。用户先凭免费积分体验完整的工作流能力,再根据实际用量决定是否购买积分。

如何获取 API Key 并完成认证

无论免费层还是付费用户,调用 Rowan API 前都需要完成认证。认证方式来自 skills/rowan/SKILL.md:

方式一:环境变量(推荐)

export ROWAN_API_KEY="your_api_key_here"

方式二:Python 内直接赋值

import rowan
rowan.api_key = "your_api_key_here"

验证认证是否成功,可以调用 whoami():

import rowan
user = rowan.whoami()  # 返回用户信息
print(f"User: {user.email}")
print(f"Credits available: {user.credits_available_string()}")

其中 user.credits_available_string() 可以直接查询当前账户剩余的积分余额,是监控花销最直接的手段。

二、免费层(Free Tier)权益明细

根据 access_and_pricing.md,免费层包含以下核心权益:

权益项 内容
工作流访问 可访问 Rowan 全部核心工作流(descriptors、pKa、MacropKa、conformer/tautomer 搜索、docking、analogue docking、MSA、protein-ligand cofolding 等)
每周积分 20 credits / 周
注册赠送 500 signup credits(注册即送)

这意味着新用户注册后立即拥有 500 积分的初始额度,可用于完整跑通一条从描述符计算到对接的实验流程;此后每周还会获得 20 积分用于持续性使用。免费层面向的是试用、学习、小规模筛选与低频调用场景。

三、积分消耗规则:按计算类型计费

积分消耗并不按工作流固定收费,而是取决于底层计算资源类型与运行时长。三个计费档位如下:

计算类型 计费速率
CPU 1 credit / 分钟
GPU 3 credits / 分钟
H100/H200 GPU 7 credits / 分钟

因此,一个工作流消耗的积分数 ≈ 运行时长(分钟)× 对应计算类型的费率。例如:

  • 一个运行 3 分钟的纯 CPU 任务消耗约 3 credits;
  • 一个运行 10 分钟的标准 GPU 任务消耗约 30 credits;
  • 一个运行 10 分钟的 H100/H200 任务消耗约 70 credits。

从工作流性质看,workflow_catalog.md 中列出的 AI 结构预测类任务(如 protein-ligand cofolding、MSA 生成、conformer 搜索的 3D 采样)通常需要 GPU 加速,因此积分消耗速度远高于轻量级的描述符计算(后者以 CPU 为主)。

积分有效期

购买的积分自购买之日起最长一年内有效,过期作废。因此建议按项目周期规划采购量,避免一次性购入过多积分造成浪费。

四、典型成本估算表

access_and_pricing.md 给出了各核心工作流的典型运行时长与积分消耗估算,是预算规划的核心依据。下表为原文的完整继承并附使用场景注释:

工作流 典型运行时长 估算积分 说明
Descriptors(描述符) <1 min 0.5–2 轻量级,适合批量初筛(triage)
pKa(单次质子转移) 2–5 min 2–5 视分子大小而定
MacropKa(pH 0–14) 5–15 min 5–15 采样范围更广,成本更高
Conformer search(构象搜索) 3–10 min 3–10 构象系综质量决定用量
Tautomer search(互变异构体搜索) 2–5 min 2–5 主要针对杂环体系
Docking(单配体对接) 5–20 min 5–20 取决于口袋大小与精修(refinement)设置
Analogue docking 系列(10–50 个配体) 30–120 min 30–100+ 共享参考框架,批量放置
MSA 生成 5–30 min 5–30 与序列长度相关
Protein-ligand cofolding(共折叠) 15–60 min 20–50+ AI 结构预测,GPU 密集

成本估算要点:

  1. Descriptions 是最廉价的起点:低于 1 分钟、约 0.5–2 积分,适合对大化合物库做第一轮过滤(triage),用最小成本筛选候选集;
  2. GPU 密集型任务最贵:共折叠(cofolding)虽然运行时间不一定最长,但使用 AI 结构预测模型、占用 GPU 资源,单次可达 50+ 积分;
  3. 系列任务要按总量规划:analogue docking 一个系列(10–50 个配体)需要 30–100+ 积分,已接近甚至超过免费层一周额度(20 credits),批量 SAR 研究前务必做好预算。

免费积分能做什么:一个参照

以注册赠送的 500 credits 计算,粗略估算可支撑:

  • 约 250–1000 次描述符计算(每次 0.5–2 credits);
  • 约 100–250 次单分子 pKa 预测(每次 2–5 credits);
  • 约 25–100 次单配体对接(每次 5–20 credits);
  • 或上述任务的合理组合(如:一批 pKa + 描述符初筛 + 少量对接 + 一次共折叠验证)。

五、控制积分散户的实战手段

Rowan 在 SDK 层面提供了限制单次任务花费的能力,结合 troubleshooting.md 的建议,控制成本主要有三种手段:

1. 用 max_credits 设置单次任务花费上限

在提交工作流时传入 max_credits=N 参数,可以为本任务绑定最大积分消耗,超过即中断,防止意外超支:

import rowan

wf = rowan.submit_pka_workflow(
    initial_molecule="c1ccccc1O",   # phenol
    method="starling",
    name="phenol pKa",
    max_credits=5,                  # 单次任务积分上限
)

2. 提交前监控余额

在批量提交前用 whoami() 查询剩余积分,低于阈值时暂停提交:

import rowan

user = rowan.whoami()
print(f"Credits available: {user.credits_available_string()}")

# 余额充足才提交批量任务
if user.credits_available < 100:
    raise RuntimeError("Insufficient credits for batch campaign")

3. 用轻量级工作流替代重型工作流(决策优先)

SKILL.md 中明确给出了工作流选择决策树,直接影响积分花销:

  • 单离子化位点、追求速度 → 用 microscopic pKa(更快、积分更少);多离子化基团、需要 pH 0–14 全程行为 → 用 MacropKa(采样更广、成本更高);
  • 已知互变异构体形式 → 直接用 conformer search;互变异构平衡不确定(如杂环、酮-烯醇体系) → 先用 tautomer search 确定优势互变异构体,再生成构象;
  • 单配体、已知口袋 → 用 Docking;5–100+ 化合物的 SAR 系列 → 用 Analogue Docking(共享参考框架);没有晶体结构 → 才考虑 Protein-ligand cofolding(GPU 密集、最贵)。

以互变异构体 + 构象的串联流程为例(源自 SKILL.md 的 combined workflow):

# Step 1: 确定最优互变异构体(2–5 credits)
taut_wf = rowan.submit_tautomer_search_workflow(
    initial_molecule=rowan.Molecule.from_smiles("O=c1[nH]ccnc1"),
    name="imidazole tautomers",
)
best_taut = taut_wf.result().best_tautomer

# Step 2: 从最优互变异构体生成构象(3–10 credits)
conf_wf = rowan.submit_conformer_search_workflow(
    initial_molecule=best_taut,
    name="imidazole conformers",
)

4. 用结果缓存避免重复计算

Rowan 的某些结果属性是惰性加载的(如构象几何、蛋白结构),同一任务结果可重复访问而不产生额外计算费用。需要刷新时再手动清理缓存:

result.clear_cache()                # 手动刷新缓存
new_structures = result.get_conformers()  # 重新拉取构象

六、批量场景下的花销结构

对于化合物库或类似物系列,批量提交是主流模式(参考 batch_and_webhooks.md 与 end_to_end_example.md)。其积分花销结构为逐任务累加:

smileses = ["CCO", "CC(=O)O", "c1ccccc1O"]
names = ["ethanol", "acetic acid", "phenol"]

workflows = [
    rowan.submit_descriptors_workflow(rowan.Molecule.from_smiles(smi), name=name)
    for smi, name in zip(smileses, names)
]
print(f"Submitted {len(workflows)} workflows")

以描述符为例,若 3 个化合物各消耗约 1 credit,则整批约 3 credits;而同样规模的对接系列(每个 5–20 credits)则可能消耗 15–60 credits。因此在设计批量实验时,应优先用低成本的描述符/pKa 任务做初筛(triage),仅对命中化合物进入昂贵的对接与共折叠环节——这正是 access_and_pricing.md 中"Descriptors 适合 triage"这一注释背后的成本逻辑。

批量任务还支持轮询与状态汇总,便于在可控成本下管理大量任务:

statuses = rowan.batch_poll_status([wf.uuid for wf in workflows])
if statuses["complete"] == statuses["total"]:
    print("All workflows done")
elif statuses["failed"] > 0:
    print(f"{statuses['failed']} workflows failed")

七、成本相关的常见问题与排障

在 troubleshooting.md 中,与积分/认证直接相关的问题有两类,需要特别留意:

1. 余额不足与认证错误的异常处理

SDK 3.1.13 中并不存在 rowan.InsufficientCreditsError 等专门的异常类。认证失败、余额不足等 HTTP/API 层面错误统一抛出 httpx.HTTPStatusError:

import httpx
import rowan

try:
    user = rowan.whoami()
except httpx.HTTPStatusError as exc:
    if exc.response.status_code == 401:
        print("Bad or missing API key — check ROWAN_API_KEY")
    else:
        # 包含积分不足等 API 失败;检查响应体。
        print(exc.response.status_code, exc.response.text)
        raise

2. 空字符串环境变量的陷阱

SDK 将设为空字符串的环境变量视为"已设置",这会导致 401 Could not validate credentials 而不是清晰的缺 key 报错。提交任务前应校验 key 非空:

import os

api_key = os.environ.get("ROWAN_API_KEY")
if not api_key:
    raise RuntimeError("ROWAN_API_KEY is missing or empty")

3. 失败任务也会占用积分

服务器端失败的工作流会抛出 rowan.WorkflowError。虽然失败任务通常不产生结果,但运行中消耗的计算资源已发生。因此 troubleshooting.md 特别建议:提交前用 RDKit 本地校验 SMILES 合法性,避免因输入错误导致任务空转浪费积分:

from rdkit import Chem

smiles = "CCCC(CC"
mol = Chem.MolFromSmiles(smiles)
if mol is None:
    raise ValueError(f"Invalid SMILES: {smiles}")

八、结语:按量付费时代的预算思维

Rowan 的访问与定价模型可以概括为一句话:免费注册、按计算资源消耗积分、用多少付多少。免费层的 500 注册积分 + 每周 20 积分足以完整体验平台的核心能力;而一旦进入正式的批量筛选或 SAR 研究,就需要依据本文的成本估算表(CPU 1 credit/分钟、GPU 3 credits/分钟、H100/H200 GPU 7 credits/分钟)规划预算。

实际的成本控制策略应组合使用:

  1. 注册后先用 500 免费积分跑通全流程(快速开始示例中的 aspirin 描述符示例即可验证环境);
  2. 批量任务遵循"轻量初筛 → 重型精修"的分层策略,描述符/pKa 过滤、对接/共折叠确认;
  3. 对单次任务设置 max_credits 上限,提交前查询余额;
  4. 充分使用免费的本地验证(RDKit 校验 SMILES)与结果缓存,避免无效计算。

相关文档可进一步阅读:workflow_catalog.md(全部工作流类型与提交代码)、batch_and_webhooks.md(批量与异步任务)、end_to_end_example.md(完整的先导化合物优化预算案例)、troubleshooting.md(错误处理与排障)。

登录后查看全文
scientific-agent-skills