OpenScience:開源AI科研工作臺

解決什麼

科研工作流程通常需要研究者在文獻檢索、假設提出、程式碼實現、實驗執行、資料分析和論文撰寫之間反覆切換,耗時且容易中斷思路。OpenScience將這些環節整合到一個AI驅動的工作臺中,研究者只需設定研究目標,系統就能自動完成從文獻綜述到實驗報告的完整科研迴圈。它特別針對機器學習、生物學、物理和化學領域,內建290+專業技能(如DeepSpeed訓練、分子生物學分析、化學資訊學)和30+學術資料庫介面(UniProt、PDB、arXiv、PubChem等),讓AI真正理解科研語境。

為何火

該專案在4天內獲得1186星標,核心吸引力在於三點:一是全流程自動化,不是簡單的文獻總結工具,而是能獨立完成"讀論文→寫程式碼→跑實驗→出報告"的完整鏈路;二是模型中立設計,支援Anthropic、OpenAI、Google等任意前沿或開源模型,使用者自帶API Key即可,無需繫結特定服務商;三是真實科研能力,整合DeepSpeed、PEFT等ML工程工具,連線ChEMBL、Ensembl等專業資料庫,而非通用聊天機器人的簡單包裝。其瀏覽器工作空間提供檔案樹、編輯器、終端和分子結構視覺化,接近IDE級別的互動體驗。

核心功能

• 研究Agent體系:預設research agent,外加biology/physics/ml專科agent,配備critique(批判性審查)和literature-review子agent,支援只讀計劃模式
• 290+科研技能庫:涵蓋模型訓練(DeepSpeed/PEFT/TRL)、評估、資料集處理、分子生物學、化學資訊學、LaTeX論文排版、科學繪圖、雲端計算對接(Modal/Tinker)
• 學術資料庫工具化:直接查詢UniProt(蛋白質)、PDB(結構)、ChEMBL(藥物)、arXiv(預印本)、OpenAlex(文獻圖譜)、Semantic Scholar等30+資料庫
• 瀏覽器工作空間:檔案樹、程式碼編輯器、終端、會話歷史,內聯渲染分子結構、基因組、科學圖表
• 可擴充套件架構:支援LSP整合、MCP伺服器、自定義外掛、TypeScript SDK,可在專案根目錄的.openscience/配置自定義agent和工具

安裝

全域性安裝(推薦):

npm install -g @synsci/openscience
openscience

或即時執行無需安裝:

npx synsci

首次執行會引導配置模型供應商,可選擇Atlas託管模型、自有API Key或免費演示模型。也可從GitHub Releases下載平臺二進位制檔案。配置API Key後啟動:

export ANTHROPIC_API_KEY=sk-ant-...
openscience ~/my-project  # 可指定專案目錄

適合誰

• ML研究者:需要快速迭代實驗、對比模型訓練效果,利用其DeepSpeed/PEFT技能和雲端計算對接能力
• 生物/化學學者:頻繁查詢UniProt/ChEMBL等資料庫,需要分子結構視覺化和化學資訊學分析
• 跨學科團隊:希望AI助手理解專業術語(如"訓練LoRA介面卡"或"查詢PDB晶體結構"),而非泛泛而談
• 注重資料主權的使用者:所有API Key和會話資料儲存在本地,請求直達模型提供商,無需第三方賬號(Atlas為可選增值服務)

中國大陸使用者注意:需自備可訪問的LLM API Key(國內可用通義千問等相容OpenAI介面的服務),部分國際學術資料庫(如PubMed、arXiv)可能需要網路代理。

社群評價

暫無足量社群公開討論,以下為基於專案本身的中立評估:該專案技術實現較為紮實,從TypeScript + Bun的技術棧選擇、LSP/MCP整合設計、290+技能庫的工程量來看,是認真面向科研場景的產品而非概念驗證。Apache 2.0許可和模型中立架構降低了使用門檻,但4名貢獻者的團隊規模意味著社群生態尚在早期。其"agent非沙箱化"的安全提示表明當前更適合個人研究環境,生產部署需額外隔離措施。

選型對比

vs Elicit/Consensus AI(商業文獻綜述工具):OpenScience覆蓋全流程(含程式碼執行和實驗),而非僅文獻總結;支援本地部署和自有模型,但Elicit的文獻解析準確度經過商業打磨,OpenScience依賴通用LLM可能在專業文獻理解上有差距。

vs Jupyter + Copilot:Jupyter需手動切換文獻檢索、程式碼編寫、資料分析工具,OpenScience將這些環節自動串聯;但Jupyter生態成熟度更高,OpenScience的290+技能庫能否覆蓋所有科研場景仍需驗證。

vs 自建Agent框架(如LangChain):OpenScience開箱即用,預置科研資料庫聯結器和領域技能;自建方案靈活性更高,但需自行對接學術API和除錯agent邏輯。

已知坑

1. 非沙箱執行:README明確警告"agent非沙箱化",程式碼直接在本機執行,建議在容器或虛擬機器中執行,避免誤操作影響宿主系統
2. 模型成本:全流程自動化意味著高Token消耗,複雜研究任務可能產生數美元API費用,需提前評估預算
3. 學術資料庫限流:頻繁呼叫PubMed、UniProt等API可能觸發速率限制,專案未提及快取或請求佇列機制
4. 中文文獻支援:整合的學術資料庫以英文為主,中文期刊(如知網、萬方)未見對接,國內科研場景適配度有限
5. 依賴Bun執行時:開發需Bun 1.3+,雖然使用者安裝僅需npm,但貢獻程式碼或深度定製需熟悉Bun生態
6. 4人團隊維護:核心貢獻者僅4人,複雜bug修復或新領域技能擴充套件可能響應較慢,建議關注issue活躍度再投入生產使用