开源复刻Claude Science？北大元空联合实验室推出零依赖科研智能体
科研智能体的开源突围：从“对话”到“行动”的范式转移
在人工智能加速渗透科学研究的当下，科研智能体（Research Agent）正经历从辅助工具向核心工作流引擎的深刻转型。此前，Anthropic推出的Claude Science因其具备自主搜索文献、编写代码、执行分析及生成报告的能力，被视为AI for Science领域的标杆。然而，其闭源属性限制了其在更广泛科研社区中的部署与定制。
近日，北京大学与元空AI Agent联合实验室正式开源了名为OpenAI4S（Open AI for Scientist）的科研智能体项目。该项目采用MIT许可证，核心架构实现零依赖，旨在复刻并超越闭源方案的能力边界。OpenAI4S并非简单的界面模仿，而是沿着“代码即行动”（Code-as-Action）的技术路线，独立复现了智能体引擎、持久化内核、Host-RPC协议及安全层。这一举措标志着科研智能体从“演示级Demo”向“可执行、可检查、可扩展”的基础设施迈出了关键一步。
核心架构解析：Code-as-Action与持久化内核
传统AI Agent在处理复杂科研任务时，往往受限于状态管理的缺失。模型面对一份预定义的“工具菜单”，逐步调用工具，一旦任务链条过长或出现错误，上下文极易丢失，导致前功尽弃。科研工作的复杂性在于其非线性：数据清洗、算法迭代、可视化调整往往需要多次往返，且中间结果必须被保留。
OpenAI4S的核心创新在于引入了“代码即行动”范式。智能体不再仅仅生成自然语言回复，而是直接生成Python或R代码，并在一个持续运行的Jupyter Notebook内核环境中执行。这种架构带来了三个显著优势：
- 状态持久化：数据、中间变量和生成的图表被保留在工作环境中，无需在每一步重新传输给模型。前一步下载的数据可直接作为后一步分析的输入，实现了长链条任务的无缝衔接。
- 复杂逻辑组合：循环、条件判断、批量数据处理和绘图逻辑可以在单次执行中组合完成，大幅提升了处理大规模数据集的效率。
- 透明性与可干预性：研究人员可以随时打开Notebook，检查生成的代码逻辑，接手分析过程，或手动修改参数。这种“人机共驾”的模式既保留了AI的自动化能力，又确保了科研过程的严谨可控。
内置30+科研Skills：从通用能力到专业纵深
通用大模型虽然具备广泛的常识，但在特定科学领域缺乏深度。OpenAI4S通过内置30多个科研Skills（技能模块），将专业能力封装进智能体。这些Skills覆盖了蛋白质结构分析、序列比对、分子对接、单细胞转录组分析、文献检索及开放数据获取等高频科研场景。
值得注意的是，这些Skills并非静态的参数配置表，而是动态的“代码配方”。它们定义了数据获取路径、算法调用方式、代码编写规范及结果验证逻辑。例如，在蛋白质结构预测任务中，智能体不仅知道调用哪个API，还清楚如何预处理输入序列、如何配置GPU资源、如何解析输出文件。
其中，14个Skills专门封装了需要GPU或专业模型支持的科学计算能力。这种模块化设计使得系统具备极强的可扩展性。随着新数据库的发布或新算法的出现，开发者只需按照规范添加新的Skill模块，即可迅速扩展智能体的能力版图，无需重构核心架构。
算力接入与真实计算：打破本地资源瓶颈
科研计算对算力的需求往往超出个人工作站的能力范围。蛋白质折叠、分子动力学模拟等高负载任务需要高性能GPU集群支持。OpenAI4S设计了灵活的算力接入机制，支持将计算密集型任务派发到用户自有的服务器或云端GPU资源上。
在这一架构中，本地主机负责交互、任务编排和结果展示，而具体的计算任务通过SSH或API远程发送到配备A100等高性能显卡的服务器上执行。计算完成后，结果自动回传至本地工作流。这种“本地交互+远程计算”的模式，既避免了将所有依赖挤在一台电脑上的复杂性，又保护了用户的数据隐私和模型资产，特别适合拥有私有算力资源的实验室和科研机构。
严格的不伪造策略：科研诚信的技术保障
在AI生成内容日益普及的背景下，科研数据的真实性成为最大痛点。许多模型为了“完成任务”，可能会编造不存在的实验数据或模拟结果。OpenAI4S确立了严格的“No-Fabrication Policy”（不伪造策略），从系统层面杜绝此类行为。
该策略明确规定：禁止使用随机数生成器假装实验结果，禁止编造“保守性”指标，禁止用通用模型冒充专业模型，禁止使用模拟数据集替代真实数据。如果外部服务不可用或计算条件不满足，智能体会明确报错并告知用户具体缺失环节，而非生成一份看似完美实则虚假的报告。
以蛋白质结构预测为例，OpenAI4S会真实地从UniProt获取序列，从RCSB PDB下载结构数据。若需进行结构预测，它会真实调用部署在8×A100服务器上的Protenix（AlphaFold 3级别）模型进行推理，并返回带有pLDDT置信度分数的真实结构。若无GPU资源，系统会直接提示无法计算，绝不捏造假结构。这种“宁可报错，不可造假”的设计，是科研智能体获得学术界信任的基石。
产学研协同：构建开放的科研智能生态
OpenAI4S的开源不仅是技术项目的发布，更是北京大学与元空AI在产学研协同方面的一次重要实践。该项目凝聚了联合实验室多位研究人员的心血，从框架设计到功能研发，体现了高校科研力量与产业界工程能力的深度融合。
元空AI作为端侧AI领域的先行者，专注于模型后训练、Agent Runtime及长期记忆技术。其推出的OpenAI4S项目，旨在推动科研智能体从封闭走向开放。通过开源核心架构、科研Skills及完整应用，项目向高校、科研机构、开发者和产业伙伴发出了贡献邀请。
社区可以基于OpenAI4S接入更多专业数据库、算法模型和计算平台。无论是开发新的科研Skills，完善远程计算机制，还是优化安全策略，每一个贡献都将增强整个科研智能生态的韧性。此外，项目还提供了丰富的真实案例，如人胰岛素INS数据分析、青蒿素溶解度预测等，帮助用户快速上手并验证能力。
未来展望：从单点突破到全域覆盖
尽管OpenAI4S在生命科学领域取得了显著进展，但科研智能体的终极目标是覆盖化学、材料、医学、地球科学等全学科领域。每个学科都有其独特的数据格式、专业模型和工作流程，单一团队难以在短时间内补齐所有能力。
因此，OpenAI4S的未来发展将依赖于社区的共同构建。通过降低贡献门槛，鼓励各领域专家开发垂直领域的Skills，推动智能体向更广泛的科学问题求解。同时，随着多模态大模型和强化学习技术的进步，科研智能体有望在假设生成、实验设计优化等方面实现更深层次的自主性。
OpenAI4S的开源，为AI for Science提供了一条可复制、可验证、可扩展的技术路径。它证明了开源社区有能力构建出媲美甚至超越闭源方案的科研基础设施。对于科研人员而言，这不仅是一个工具，更是一个共同进化的伙伴。通过将其跑起来，并参与到生态建设中，我们有望见证一个更加高效、透明、协作的科研新时代的到来。
安装与使用OpenAI4S的过程极为简便，只需克隆仓库并运行脚本即可启动。这种低门槛的接入方式，使得更多非计算机背景的科研人员也能享受到AI带来的效率红利。随着社区贡献的积累，OpenAI4S有望成为AI for Science领域的基础设施级项目，推动科学研究进入智能化、自动化的新阶段。