用途：ToolUniverse Python SDK 面向科研场景，用于构建 AI 科学家系统，通过统一接口调用多种科学数据库与模型工具，覆盖蛋白质、药物、基因组、疾病、文献、通路和机器学习预测等类别。
主要能力：提供三种调用模式，推荐从字典 API 开始：tu.run({"name": ..., "arguments": ...}) 最便携；tu.tools.ToolName(param=value) 适合交互使用；直接实例化类为高级用法，会绕过缓存与钩子。支持批量执行 tu.run_batch(calls)，可组合成科研工作流，例如先查疾病相关靶点，再检索化合物活性。内置工具查找（Tool_Finder_Keyword）、缓存统计与清理、钩子（可自动摘要大输出）以及按类别加载工具。
安装与配置：pip install tooluniverse 为标准安装；pip install tooluniverse[embedding] 支持嵌入搜索（GPU）；pip install tooluniverse[all] 安装全部功能。使用 LLM 工具搜索需设置 export OPENAI_API_KEY="sk-..."，NCBI_API_KEY 为可选。
使用方式：先 from tooluniverse import ToolUniverse 创建实例，必须调用 tu.load_tools() 后才能调用任何工具。可用 tu.run 查找或执行工具，也可用 tu.tools.X 函数式调用。缓存需按调用开启，如 tu.tools.some_tool(param="value", use_cache=True)，并通过 tu.get_cache_stats()、tu.clear_cache() 管理。可按类别加载，如 tu.load_tools(categories=["proteins", "drugs"])。
限制与注意：工具名区分大小写；Tool Finder 返回嵌套结构，需在 isinstance 判断后通过 tools['tools'] 访问；调用前应检查必填参数，如 tu.all_tool_dict["ToolName"]['parameter'].get('required', [])；确定性调用可缓存，实时数据不宜缓存；异常处理可导入 ToolError、ToolUnavailableError、ToolValidationError。文档见 https://zitniklab.hms.harvard.edu/ToolUniverse/，代码见 https://github.com/mims-harvard/ToolUniverse。