Claude Science, você pode ter ouvido falar.
O agente de pesquisa da Anthropic que pode pesquisar literatura sozinho, escrever código sozinho, executar análises sozinho e gerar gráficos e relatórios sozinho fez muitos exclamarem: “É assim que a IA para a ciência deveria ser!”
Mas é proprietário.
Agora, alguém o replicou — aberto, com licença MIT, sem dependências principais.
O projeto é chamado OpenAI4S (Open AI for Scientist) e é um projeto de agente científico oficialmente aberto pela Laboratório Conjunto de Agentes AI da Universidade de Pequim e YuanKong AI.
Destaque: não é apenas “parecido com” Claude Science — é uma reimplementação independente, de forma aberta, do motor, do núcleo persistente, do protocolo host-RPC e da camada de segurança, seguindo a abordagem Code-as-Action.
O projeto foi aberto no GitHub em 6 de julho de 2026 sob a licença MIT.
Atualmente, o OpenAI4S oferece aplicativos web completos para pesquisa, dezenas de Skills integrados, capacidade de integração de sua própria força de computação e produtos de pesquisa versionados.
Meta AI Science: https://www.chatexcel.com/homesite/openAI4S
Ele não se contenta em fornecer uma resposta que pareça correta, mas sim deseja fazer com que a IA realmente entre no fluxo de trabalho científico, levando uma questão da fase de “apresentação” até a de “conclusão”.
Não se trata de ter várias rodadas de conversa, mas sim de fazer o IA agir realmente.
Muitos agentes de IA atuais, em essência, estão fazendo a mesma coisa: o modelo enfrenta uma "lista de ferramentas" pré-preparada, decide qual ferramenta chamar e avança passo a passo. Para tarefas simples, esse método é suficiente.
Mas a pesquisa científica não é algo que pode ser resolvido em poucos passos.
Consultar múltiplos bancos de dados, baixar dados, limpar dados, modificar repetidamente o código, invocar algoritmos profissionais, solicitar poder de processamento GPU, gerar gráficos, organizar relatórios... Qualquer etapa com problemas pode exigir que você volte atrás e comece novamente.
A resposta dada por OpenAI4S é Code-as-Action, ou seja, "código como ação".
Ele permite que o agente gere diretamente código Python ou R e o execute em um ambiente de kernel em execução contínua.
Looping, conditional statements, batch data processing, and plotting can be combined into a single execution; data and intermediate results do not need to be reloaded into the model at each step but are retained in the working environment.
Para os usuários, a mudança mais direta não é a adição de um termo técnico, mas sim o fato de que a IA pode encadear tarefas mais longas e complexas:
Os dados baixados na etapa anterior podem ser diretamente entregues à próxima etapa para análise;
As imagens, tabelas e relatórios gerados serão salvos automaticamente;
Os pesquisadores também podem abrir o Notebook a qualquer momento para verificar o código, assumir a análise ou modificar os resultados.
Código é ação, núcleo é o ambiente.
Em uma interface, complete o fluxo de pesquisa, da dados a conclusões.
OpenAI4S é mais como uma mesa de trabalho científica compartilhada por humanos e IA.
Você fornece uma tarefa que pode pesquisar automaticamente fontes públicas de dados científicos, escrever e executar código de análise, chamar capacidades de computação profissional e organizar os resultados em imagens, tabelas, estruturas tridimensionais ou relatórios em Markdown.
Todo o processo não termina após a conclusão. Cada produto de pesquisa será registrado, armazenado e versionado, facilitando inspeções, modificações e reutilizações futuras.
Por exemplo, faça com que ele analise uma proteína.
Ele pode primeiro buscar dados reais de sequências e estruturas de proteínas, depois realizar o cálculo de características e visualização, e finalmente incluir o processo de análise, as fontes dos dados e os resultados no artigo.
O ponto principal é: os dados são reais e o cálculo também é real.
Se o serviço externo não puder ser conectado ou se as condições de cálculo não forem atendidas, ele lhe informará claramente onde não é possível. Não inserirá secretamente dados simulados e nem criará um resultado para forçar a conclusão do artigo.
△
O trabalho de pesquisa geralmente também exige revisões repetidas.
No processo tradicional, os pesquisadores podem precisar localizar novamente os scripts de geração de gráficos, modificar os parâmetros, executá-los novamente e exportar os arquivos;
Em OpenAI4S, você pode fazer solicitações de ajuste diretamente em linguagem natural; o agente inteligente regera o produto com base nos dados e código existentes, mantendo ao mesmo tempo o histórico de versões.
△
Dezenas de habilidades científicas, colocando competências profissionais dentro de agentes inteligentes
Um modelo geral não pode se tornar um assistente de pesquisa apenas com "inteligência".
Ela precisa saber onde encontrar dados profissionais, como usar ferramentas profissionais e como executar algoritmos complexos.
OpenAI4S inclui inicialmente mais de 30 Skills científicos.
Estrutura de proteínas, análise de sequências, design de proteínas, docking molecular, análise de célula única, busca de literatura, acesso a dados abertos... cobre basicamente uma série de cenários comuns de pesquisa computacional.
Entre eles, 14 Skills encapsulam capacidades de cálculo científico que exigem GPU ou modelos profissionais.
Aqui, as Skills não são uma tabela de parâmetros de ferramentas fixa. Elas são mais como um conjunto de "receitas de código" que podem ser lidas, compreendidas e executadas por agentes.
Todos os dados necessários, serviços a serem chamados, como escrever o código e como verificar os resultados podem ser armazenados no Skill.
Para novos bancos de dados, novos algoritmos ou novos fluxos de experimento, os desenvolvedores podem continuar conectando.
Ou seja, esse conjunto de habilidades não é fixado de uma vez por todas; conforme as necessidades de pesquisa mudam, as Skills podem crescer junto.
Dados de pesquisa precisam estar conectados a um ambiente de computação real? Envie a tarefa para sua GPU.
Cálculo científico, e também um problema muito real: poder de processamento.
Tarefas como dobramento de proteínas, pontuação de mutações e simulações moleculares não podem ser executadas facilmente em um notebook comum.
Além disso, muitos cálculos profissionais dependem de modelos específicos, ambientes de software complexos e recursos de GPU.
OpenAI4S suporta integração com ambientes de computação próprios. A interação e organização de tarefas são realizadas localmente, enquanto os cálculos especializados que exigem GPU podem ser enviados para servidores próprios para execução; os resultados, após concluídos, retornam à mesma fluxo de trabalho científico.
Por exemplo, na previsão de estrutura proteica e pontuação de efeitos de mutações, o verdadeiramente difícil muitas vezes não é gerar o código de chamada, mas sim enviar a entrada para o ambiente de cálculo correto e trazer de volta os resultados completos para o fluxo de trabalho.
Não é necessário concentrar tudo em um único computador nem reescrever todo o fluxo para conectar um servidor de poder de processamento — isso é especialmente importante para laboratórios e equipes de pesquisa.
Dados, modelos e capacidade de processamento podem permanecer em seus próprios ambientes; os agentes são responsáveis por conectá-los.
Dados reais, cálculos reais, não foi inventado.
Usar modelos baratos para pesquisa científica, o que mais se teme? Temer que eles inventem coisas com ar sério.
A OpenAI4S estabeleceu uma regra rígida chamada política de não-fabricação (no-fabrication policy): proíbe-se fingir resultados experimentais com np.random, inventar "conservadorismo" artificialmente, usar BLOSUM como se fosse ESM, ou apresentar conjuntos de dados simulados como se fossem dados reais... tudo é proibido.
Ou serviço real, ou erro honesto.
Então, ao revisitar o caso do INS — a sequência é realmente obtida do UniProt, a estrutura é realmente baixada do RCSB, e se não houver conexão com a internet, ele simplesmente pula honestamente, sem criar nada falso para você.
Se for realmente calcular a estrutura proteica, ele realmente utiliza GPU: host.fold faz ssh em uma máquina com 8×A100 para executar inferência de sequência única com Protenix (nível AlphaFold3) e retorna a estrutura com pLDDT; host.score_mutations executa pontuação ESM real para selecionar mutações.
Sem GPU? Então ele simplesmente gera um erro, nunca cria uma estrutura falsa.
Ele prefere dizer a você "não é possível" em vez de criar uma estrutura falsa que pareça plausível.
For a research agent, this may be more important than "being good at everything."
Open source is a practical initiative by the Peking University & YuanKong AI Joint Laboratory to promote collaboration among industry, academia, and research.
O lançamento do OpenAI4S não apenas adicionou um projeto de código aberto, mas também representa uma prática da Universidade de Pequim e da YuanKong AI na promoção da colaboração entre indústria, academia e pesquisa.
Como resultado intermédio do laboratório conjunto, o OpenAI4S, desde o desenvolvimento até a abertura do código, não teria sido possível sem o compromisso contínuo e a impulso do estudante Zhang Gongbo do laboratório conjunto.
A área de pesquisa de Zhang Gongbo concentra-se em AI for Science. Como co-primeiro autor do UniGenX, ele explorou um modelo científico geral voltado para moléculas, materiais e proteínas, e essas pesquisas acumuladas em torno da inteligência científica também se estenderam para o desenvolvimento e implementação do OpenAI4S.
Ao mesmo tempo, o OpenAI4S também reflete o esforço conjunto dos estudantes Li Hao, Wang Yu, Liu Yuyang, Lü Liuzhenghao, Mao Yicheng, Lin Mujie, Peng Xinyao, Jiang Zhengxiang e Wang Yimi, cuja colaboração e dedicação foram essenciais em todas as etapas, desde o design do framework até o desenvolvimento de funcionalidades e a liberação open source.
YuanKong AI é uma empresa de IA na borda, especializada em realizar tarefas complexas em ambientes locais e offline por meio de pós-treinamento de modelos, Agent Runtime, memória de longo prazo e inferência na borda.
Atualmente, a empresa desenvolveu duas linhas de produtos: YuanKong AI Work e YuanKong AI Science, entrando respectivamente nos campos de escritório inteligente e descoberta científica.
Este lançamento aberto do OpenAI4S também reflete o julgamento comum do laboratório conjunto e da MetaSpace AI sobre agentes de pesquisa:
Agentes de pesquisa científica não devem permanecer apenas em demonstrações, mas devem se tornar infraestruturas de pesquisa verdadeiramente executáveis, verificáveis e escaláveis.
Portanto, o que está sendo liberado desta vez não são apenas exemplos, mas também a arquitetura central, as habilidades de pesquisa e a aplicação completa.
Universidades, instituições de pesquisa, desenvolvedores e parceiros industriais podem integrar fontes de dados, algoritmos, ferramentas e processos de pesquisa sobre esta base, impulsionando coletivamente a adoção de Agentes de Pesquisa em mais tarefas reais.
Bem-vindo para colocá-lo em funcionamento e continuar desenvolvendo-o juntos
Participe do OpenAI4S, começando por colocá-lo em funcionamento.
A instalação não é complicada; basta três linhas para iniciar:
Iniciar o projeto em si, sem necessidade de configurar previamente a chave do modelo.
Após entrar na interface, basta preencher em Customize → Models.
O projeto também inclui um conjunto completo de casos reais que você pode seguir diretamente: fluxo de trabalho da API ao vivo, análise de dados reais da insulina humana INS, modificação de imagens com uma única frase, e previsão de solubilidade da artemisinina e da paclitaxel no modo planejado, engenharia de proteínas...
Mas colocar o projeto em funcionamento é apenas o primeiro passo.
Pesquisa real abrange muitas áreas, incluindo ciências da vida, química, materiais, medicina e ciências da Terra.
Cada direção possui seu próprio banco de dados, modelo especializado e fluxo de cálculo. Essa vasta extensão de capacidades não pode ser completada de uma só vez por uma única equipe.
Portanto, o OpenAI4S lança oficialmente o Call for Contributors para universidades, instituições de pesquisa, desenvolvedores e equipes industriais.
Atualmente, o Skills UI da RabbitShow Intelligence forneceu suporte parcial a este projeto de código aberto.
Se você estiver familiarizado com uma área de pesquisa, pode desenvolver novas Skills de pesquisa, integrando bancos de dados profissionais, modelos algorítmicos e plataformas de computação;
Se você é especialista em Agentes ou engenharia de software, também pode participar na melhoria da arquitetura central, cálculo remoto, mecanismos de segurança, testes e documentação.
Você pode participar sem escrever código.
Submeter um issue, adicionar um caso reproduzível, relatar uma tarefa falhada ou informar à comunidade o que realmente é necessário em uma determinada área são contribuições valiosas.
Se você também acredita que agentes de pesquisa científica não devem ficar apenas em demonstrações, execute-o e junte-se a nós para continuar desenvolvendo-o.
Portal
https://github.com/PKU-YuanGroup/OpenAI4S
https://www.chatexcel.com/homesite/openAI4S
Este artigo é do número de assinantes do WeChat "Quantum Bit", autor: focado em tecnologias de ponta