Claude Science,你可能有耳闻。
Anthropic家那个能自己搜文献、自己写代码、自己跑分析、自己出图出报告的科研Agent,一度让人直呼「这才是AI for Science该有的样子」。
但它闭源。
现在,有人把它复刻出来了——开源,MIT协议,核心零依赖。
项目叫OpenAI4S(Open AI for Scientist),是北京大学&元空AI Agent联合实验室正式开源的科研智能体项目。
划重点:它不是「长得像」Claude Science,而是沿着Code-as-Action的思路,把引擎、持久内核、host-RPC协议、安全层,用开源方式独立复现了一遍。
项目已于2026年7月6日在GitHub开源,采用MIT许可证。
目前,OpenAI4S提供完整的科研Web应用、数十个内置Skills、自有算力接入能力和版本化科研产物。
元空AI Science:https://www.chatexcel.com/homesite/openAI4S
它并不满足于给出一段看起来正确的回答,而是希望让AI真正进入科研工作流,把一个问题从“提出”推进到“做完”。
不是多聊几轮,而是让AI真正动手
现在不少AI Agent,本质上都在做同一件事:模型面对一份提前准备好的「工具菜单」,判断该调用哪个工具,然后一步一步往下走。简单任务,这套方法够用。
但科研不是三五步就能搞定的事。
查多个数据库、下载数据、清洗数据、反复改代码、调用专业算法、请求GPU算力、生成图表、整理报告......任何一步出问题,都可能要回头重来。
OpenAI4S给出的答案是Code-as-Action,也就是“代码即行动”。
它让智能体直接生成Python或R代码,并在一个持续运行的内核环境中执行。
循环、条件判断、批量数据处理和绘图可以组合在一次执行里完成;数据和中间结果也不必在每一步重新交给模型,而是保留在工作环境中。
对用户来说,最直接的变化不是多了一个技术名词,而是AI可以把更长、更复杂的任务串起来:
前一步下载的数据,可以直接交给后一步分析;
生成的图片、表格和报告会自动保存;
研究人员也能随时打开Notebook,检查代码、接手分析或修改结果。
“代码即行动,内核即环境。”
一个界面里,完成从数据到结论的科研流程
OpenAI4S更像一张人和AI共用的科研工作台。
你给出一个任务,它可以自己查公开科研数据源、编写并运行分析代码、调用专业计算能力,再把结果整理成图片、表格、三维结构或Markdown报告。
整个过程,不是做完就散。每一份科研产物都会被记录、保存和版本化,方便后续检查、修改和复用。
比如,让它分析一个蛋白质。
它可以先去检索真实的蛋白质序列和结构数据,再完成特征计算与可视化,最后把分析过程、数据来源和结果一起写进论文。
重点是:数据是真的,计算也是真的。
外部服务连不上,或者计算条件不满足,它会明确告诉你哪里做不了。不会偷偷塞一份模拟数据,更不会编个结果把论文强行补齐。
△
科研工作往往还需要反复修改。
传统流程中,研究人员可能要重新找到绘图脚本、修改参数、再次运行并导出文件;
在OpenAI4S中,可以直接用自然语言提出调整要求,智能体会基于已有数据和代码重新生成产物,同时保留版本记录。
△
数十个科研Skills,把专业能力装进智能体
通用模型想变成科研助手,只靠「聪明」还不够。
它得知道专业数据去哪里找,专业工具怎么用,复杂算法该怎么跑。
OpenAI4S首批内置了30+个科研Skills。
蛋白质结构、序列分析、蛋白设计、分子对接、单细胞分析、文献检索、开放数据检索......基本覆盖了一批常见的计算科研场景。
其中,有14个Skills封装了需要GPU或专业模型才能完成的科学计算能力。
这里的Skills,也不是一张写死的工具参数表。它们更像是一组可以被智能体阅读、理解和执行的「代码配方」。
需要什么数据、调用什么服务、代码怎么写、结果怎么检查,都可以沉淀在Skill里。
以后有新的数据库、新的算法或者新的实验流程,开发者继续往里接就行。
也就是说,这套能力不是一次性封死的,科研需求怎么变,Skills就可以跟着怎么长。
科研数据要连上真正的计算环境?把任务送到自己的GPU
科研计算,还有一个很现实的问题:算力。
蛋白质折叠、突变评分、分子模拟这些任务,不是普通笔记本随便跑两下就能完成的。
而且,很多专业计算背后,都依赖特定模型、复杂软件环境和GPU资源。
OpenAI4S支持接入自有计算环境。本地负责交互和组织任务,需要GPU的专业计算则可以派发到自己的服务器上执行,结果跑完以后,再回到同一套科研工作流里。
比如蛋白质结构预测和突变效应评分,真正困难的往往不是生成调用代码,而是把输入送进正确的计算环境,再把结果完整地带回工作流。
不用把所有东西都挤在一台电脑上,也不用为了接一台算力服务器重写整套流程,这点对实验室和科研团队尤其重要。
数据、模型和算力都可以留在自己的环境里,智能体负责把它们串起来。
真实数据、真实计算,它是真没编
拿便宜模型跑科研,最怕啥?怕它一本正经地胡编。
OpenAI4S立了条硬规矩,叫no-fabrication policy(不伪造策略):用np.random假装实验结果、硬编造的「保守性」、拿BLOSUM冒充ESM、模拟数据集充当真数据......全禁。
要么真服务,要么老实报错。
所以你回头看那个INS案例——序列是真从UniProt拉的,结构是真从RCSB下的,连不上网它就诚实跳过,绝不给你糊一个假的。
真要算蛋白结构,它也是真调GPU:host.fold会ssh到一台8×A100的机器上,跑单序列的Protenix(AlphaFold3级别)推理,回传带pLDDT的结构;host.score_mutations跑真实的ESM打分挑突变。
没配GPU?那它就直接报错,绝不给你捏一个假结构。
它宁可告诉你「算不了」,也不给你捏一个看起来像模像样的假结构。
对于科研Agent来说,这可能比「什么都会」更重要。
开源,是北大&元空AI联合实验室推动产学研协同的一次实践
OpenAI4S的发布,不只是增加了一个开源项目,也是北京大学与元空AI推进产学研协同的一次实践。
作为双方联合实验室的阶段性成果,OpenAI4S从研发到开源,离不开联合实验室张恭博同学的持续投入与推动。
张恭博研究方向聚焦AI for Science,由他担任共同第一作者的UniGenX,探索了面向分子、材料与蛋白质的通用科学基础模型,这些围绕科学智能展开的研究积累,也进一步延伸到了OpenAI4S的研发与落地中。
同时,OpenAI4S也凝聚了团队中李昊、王豫、刘宇阳、吕刘正浩、毛奕澄、林慕捷、彭莘尧、姜政祥、王一米等同学的共同努力,从框架设计、功能研发到开源发布,每个环节都离不开大家的协作与投入。
元空AI是一家端侧AI公司,专注于通过模型后训练、Agent Runtime、长期记忆与端侧推理技术,让AI在本地及离线环境中完成复杂任务。
目前,该公司已形成元空AI Work与元空AI Science两条产品线,分别进入智能办公与科学发现领域。
这次开源OpenAI4S,也体现了联合实验室与元空AI对科研Agent的共同判断:
科研智能体不能只停留在Demo,而应成为真正可执行、可检查、可扩展的科研基础设施。
因此,本次开放的不只是示例,还包括核心架构、科研Skills与完整应用。
高校、科研机构、开发者和产业伙伴可以在此基础上接入数据源、算法、工具与科研流程,共同推动科研Agent进入更多真实任务。
欢迎把它跑起来,也一起把它做下去
参与OpenAI4S,可以从把它跑起来开始。
安装不复杂,三行就能启动:
启动项目本身,不需要先配置模型Key。
进入界面以后,在Customize → Models里填写就行。
项目还自带了一整套真实案例,可以直接跟着跑:Live API工作流、人胰岛素INS真实数据分析、一句话改图,以及计划模式下的青蒿素和紫杉醇溶解度预测、蛋白质工程......
但把项目跑起来,只是第一步。
真实科研横跨生命科学、化学、材料、医学、地球科学等众多领域。
每个方向都有自己的数据库、专业模型和计算流程。如此庞大的能力版图,不可能只靠一个团队一次性补齐。
因此,OpenAI4S正式向高校、科研机构、开发者和产业团队发出Call for Contributors。
目前,兔展智能的Skills UI,已对该开源项目给予了部分支持。
如果你熟悉某个科研方向,可以为它开发新的科研Skills,接入专业数据库、算法模型和计算平台;
如果你擅长Agent或软件工程,也可以参与完善核心架构、远程计算、安全机制、测试和文档。
不写代码,也能参与。
提交一个Issue、补充一个可复现案例、反馈一次失败任务,或者告诉社区某个学科真正需要什么,都是有价值的贡献。
如果你也相信,科研Agent不该只停留在Demo里,欢迎把它跑起来,也欢迎一起把它做下去。
传送门
https://github.com/PKU-YuanGroup/OpenAI4S
https://www.chatexcel.com/homesite/openAI4S
本文来自微信公众号“量子位”,作者:关注前沿科技
