开源版Claude Science来了！零依赖、MIT协议，内置30+项科研技能

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 开源版Claude Science来了！零依赖、MIT协议，内置30+项科研Skills 思邈 2026-08-04 21:14:27 来源： 量子位 允中 发自 凹非寺 量子位 | 公众号 QbitAI 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。 △OpenAI4S在同一任务中生成数据、图表和结构等科研产物 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。 △OpenAI4S对已有科研图表进行调整并生成新版本 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