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
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:
- 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;
- 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;
- 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:
- 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);
- 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;
- 对单次任务设置
max_credits上限,提交前查询余额; - 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)。