ScienceDiscovery发布：零科研幻觉的一站式AI工作台，BiomniBench-DA验证效果工作站SOTA

机器之心发布 ScienceDiscovery 是基于 Agent OS（JiuwenSwarm）开发的一款面向跨学科、全流程科研场景的一站式 AI 工作台 ，解决科研场景面临的工具碎片化、大模型科研幻觉两大痛点问题，打造 AI 辅助科研新范式，加速科学发现，广泛应用于各行各业。在行业权威的生物医学智能体基准 BiomniBench-DA 任务中，ScienceDiscovery 验证效果业界 SOTA，成功应用于纳米抗体药物设计等关键领域。 1 AI 辅助科研的痛点问题 Agent 的发展重塑了传统的科研流程，成为 AI 辅助科研的新范式。在该范式下，Agent 负责科研任务规划、方案生成、任务执行等全流程工作，可以极大提升了传统科研效率。但是，由于传统科研领域的复杂性和当前大模型能力的局限性，AI 辅助科研面临两大痛点问题，制约了其在实际科研工作中的应用： 问题一： 工具碎片化 ，科研全流程链条长、工具多，科研人员开展文献阅读、假设提出、代码编写、实验试错、参数调优等工作，需频繁切换多个平台，流程繁琐、时间成本极高； 问题二： 科研幻觉 ，由于大模型本身存在幻觉问题，对于复杂、长链条的科研任务，AI 辅助科研易出现文献引用、因果推导、实验流程造假等错误，严重破坏科研工作的可复现性与严谨性，制约科研落地转化。 2 ScienceDiscovery：一站式 AI 科研工作台 我们正式推出 ScienceDiscovery—— 专为科学研究打造的一站式 AI 科研工作台。依托该平台，科研人员能够 一站式高效完成 “文献阅读、假设提出、代码编写、实验试错、参数调优” 这一极为繁琐的科研探索流程 。 基于 ScienceDiscovery，用户可以完成以下功能： 海量资源一键配置与高效接入 ：通过平台内置的科研数据库 Connector，实现文献库与数据库的一键快速配置，快速获取海量前沿文献与核心试验数据； 安全沙箱环境下的自主代码探索 ：支持智能体在安全隔离的沙箱环境中自主编写、调试并运行 Python、R 或 Shell 代码，为复杂科学数据处理提供稳定环境； 复杂科研任务的自动拆解与动态执行 ：凭借强大的任务规划与多智能体协同能力，系统可自动拆解复杂科研任务，动态编排并调用 300 + 跨领域 Skills ； 科研流程全链路可溯源 ：平台将完整展现全流程工作流，并提供包含代码、环境和日志在内的全链路产物溯源，确保科研全流程的高可信度。 3 ScienceDiscovery v0.1 版本核心技术 ScienceDiscovery 此次发布 v0.1 版本，构建了以下三大核心技术： 基于 MCP 构建科研 Connector，实现碎片化工具即插即用 ScienceDiscovery 基于标准化 MCP 协议构建可插拔 Connector，统一封装文献检索、PDF 抽取等工具接口，集成鉴权、缓存等治理能力，新增数据源遵循规范即可无缝接入。 构建高维结构化记忆图谱与多维审核机制，实现零科研幻觉 通过高维结构化记忆图谱严格维护任务时序与产物证据链；结合零幻觉 Reviewer 多级审核机制，确保每条科研结论均可沿图谱追溯，实现全流程 100% 可溯源。 集成生物、化学、流体等领域 300+Skills，实现多领域科研工作流自动化执行 构建多层次科研 Skills 以实现复杂任务的智能编排与自主执行。通过 Plan Skills 与 Team Skills 精准解析意图，自动匹配最优工作流并动态拆解执行；平台集成 MindSpore Science Skills 中 300 + 开箱即用 Skills，包括领域工业软件、科研搜索 API、40 + 昇思与昇腾 AI4S 顶尖模型。这些 Skills 全面覆盖生物医药、化学材料、流体计算、偏微分方程（PDE）等核心前沿学科，覆盖了科学分析、计算仿真及湿实验等基础需求。 ScienceDiscovery v0.1 版本预置了专为生化领域设计的 Team Skill，可自主完成从数据搜集、生化实验数据分析到报告撰写的全流程。在行业权威的 生物医学智能体 基准 BiomniBench-DA 任务中，基于 GLM-5.2 模型， 评测分数达到 77.4（图 1），达到业界 SOTA 。 图 1 BiomniBench-DA 打榜结果 4 应用实践 4.1 BiomniBench 打榜案例 —— 脓毒症病例数据分析与特征挖掘 本案例以 BiomniBench-DA 中的脓毒症患者病例数据分析问题为例： 脓毒症是 ICU 常见致死病，同症异机现象显著。本案例基于约 3,948 例 ICU 与住院脓毒症患者的多队列数据，对上述六大分型框架衍生的 38 项免疫特征评分进行相关性与层次聚类分析，旨在挖掘潜在关联规律，识别协同变化的特征组合。 ScienceDiscovery 接收上述数据及核心问题，自主分析问题并组建由 code-engineer、result-evaluator、report-writer 构成的 agent 团队（图 2），执行如下工作流： code-engineer 计算各特征评分在患者间的两两相关性，进行层次聚类、识别聚类群，并生成 heatmap、树状图及聚类归属文件； result-evaluator 从方法论、正确性与稳健性等多维度审核分析结果； report-writer 综合分析结果，并按要求输出运行轨迹文件与结果文件。 图 2 Subagents 执行过程 图 3 特征相关性 heatmap 图 4 38 个免疫评分指标在 3948 名患者身上的 “相似度” 最终智能体将 38 项分型特征划分为 “髓系炎症 / 疾病严重度” 与 “适应性 / 淋巴系保护性” 两大显著反相关的聚类轴，并经轮廓系数与 ARI 指标验证，揭示了脓毒症免疫失调的核心双轴结构。 图 5 查看输出报告 图 6 查看产物溯源代码、环境、日志 图 7 查看产物相关 code、claim 等节点 为验证多智能体协作在数据科学工作流中的有效性，我们展示了 ScienceDiscovery 在分析任务中的执行轨迹与任务图谱。图 5 以 trace.md 串联各 Agent 产物，支持点击溯源；图 6 记录底层日志，确保过程可复现；图 7 通过节点边关系，直观呈现三 Agent 的任务拆解与协同。 4.2 生化领域案例 4.2.1 纳米抗体药物设计 + 筛选流程 纳米抗体因分子小、稳定性高、易改造等特点应用前景广阔，但传统研发周期长、成本高。RFAntibody 作为主流设计流程，可自动设计候选纳米抗体并多维度筛选，流程涵盖抗原准备至报告整理七大环节。 ScienceDiscovery 通过自动调用 MindSpore Science 提供的 RFDiffusion、ProteinMPNN、Protenix 模型，无缝串联复杂计算工作流，最终输出含筛选信息与空间结构的辅助决策报告，而非零散文件。 图 8 纳米抗体设计流程 完整纳米抗体设计筛选流程分为五阶段（图 8）： 环境准备：校验运行环境、依赖及权重文件，确认抗原结构与设计约束完备。 骨架生成：基于抗原及表位输入，通