OpenAI4S：由北京大學與元空AI推出的開源研究代理，具備30+項科學技能

Claude Science，你可能聽過。

Anthropic 那個能自行搜尋文獻、編寫代碼、運行分析並生成圖表與報告的科研 Agent，曾讓人直呼「這才是 AI for Science 應有的樣子」。

但它為閉源。

現在，有人將其重製了——開源，MIT 協議，核心零依賴。

項目名為 OpenAI4S（Open AI for Scientist），由北京大學與元空 AI Agent 聯合實驗室正式開源為科研智能體項目。

重點：它不是「看起來像」Claude Science，而是沿著 Code-as-Action 的思路，以開源方式獨立重現了引擎、持久內核、host-RPC 協議和安全層。

The project was open-sourced on GitHub on 2026-07-06 under the MIT license.

目前，OpenAI4S 提供完整的科研 Web 應用、數十個內置 Skills、自有算力接入能力和版本化科研產物。

元空AI Science：https://www.chatexcel.com/homesite/openAI4S

它不滿足於提供一段看似正確的回答，而是希望讓 AI 真正融入科研工作流程，將一個問題從「提出」推進到「完成」。

不是多聊幾輪，而是讓 AI 真正動手

現在不少 AI Agent 本質上都在做同一件事：模型面對一份提前準備好的「工具菜單」，判斷該調用哪個工具，然後一步一步往下走。簡單任務，這套方法夠用。

但科學研究不是三五步就能搞定的事。

查詢多個資料庫、下載資料、清洗資料、反覆修改程式碼、呼叫專業演算法、請求 GPU 算力、生成圖表、整理報告……任何一步出錯，都可能需要回頭重來。

OpenAI4S 的答案是 Code-as-Action，也就是「代碼即行動」。

它讓智能體直接生成 Python 或 R 代碼，並在一個持續運行的內核環境中執行。

迴圈、條件判斷、批量資料處理和繪圖可以組合在一次執行裡完成；資料和中間結果也不必在每一步重新交給模型，而是保留在工作環境中。

對用戶來說，最直接的變化不是多了一個技術名詞，而是 AI 可以把更長、更複雜的任務串起來：

前一步下載的數據，可直接交予後一步分析；

生成的圖片、表格和報告會自動儲存；

研究人員也能隨時打開 Notebook，檢查代碼、接手分析或修改結果。

Code is action, kernel is environment.

在一個介面中，完成從數據到結論的科研流程

OpenAI4S 更像一張人和 AI 共用的科研工作台。

你給出一個任務，它可以自行查閱公開科研數據源、編寫並運行分析代碼、調用專業計算能力，再將結果整理成圖片、表格、三維結構或 Markdown 報告。

The entire process is not about finishing and moving on. Every research output is recorded, saved, and versioned for easy review, modification, and reuse.

例如，讓它分析一個蛋白質。

它可以先檢索真實的蛋白質序列和結構數據，再完成特徵計算與可視化，最後將分析過程、數據來源和結果一併寫入論文。

重點是：數據是真實的，計算也是真實的。

如果外部服務無法連接，或計算條件不滿足，它會明確告訴你哪裡無法執行。不會偷偷塞入模擬數據，更不會編造結果來強行補齊論文。

△

Scientific research often requires repeated revisions.

在傳統流程中，研究人員可能需要重新找到繪圖腳本、修改參數、再次運行並導出文件；

In OpenAI4S, you can directly request adjustments using natural language; the intelligent agent will regenerate the output based on existing data and code while maintaining version history.

△

數十個科研 Skills，將專業能力裝入智能體

通用模型想成為科研助手，僅靠「聰明」還不夠。

它得知道專業數據去哪裡找，專業工具怎麼用，複雜算法該怎麼跑。

OpenAI4S 首批內置了 30+ 個科研 Skills。

蛋白質結構、序列分析、蛋白設計、分子對接、單細胞分析、文獻檢索、開放數據檢索……基本覆蓋了一批常見的計算科研場景。

其中，有 14 個 Skills 封裝了需要 GPU 或專業模型才能完成的科學計算能力。

這裡的 Skills，也不是一張寫死的工具參數表。它們更像是一組可以被智能體閱讀、理解和執行的「代碼配方」。

所需數據、調用的服務、代碼如何撰寫、結果如何檢查，均可沉淀於 Skill 中。

以後有新的資料庫、新的演算法或新的實驗流程，開發者只需繼續接入即可。

也就是說，這套能力並非一次性封死的，科研需求如何變化，Skills 就能隨之成長。

科研數據需要連接到真實的計算環境？將任務發送到您的 GPU

科學計算，還有一個很現實的問題：算力。

蛋白質摺疊、突變評分、分子模擬這些任務，不是普通筆記本隨便跑兩下就能完成的。

而且，很多專業計算背後，都依賴特定模型、複雜軟體環境和 GPU 資源。

OpenAI4S 支援接入自有計算環境。本地負責互動與任務組織，需要 GPU 的專業計算則可派發至自己的伺服器執行，結果運算完成後，再回歸同一套科研工作流。

例如蛋白質結構預測和突變效應評分，真正困難的往往不是生成呼叫代碼，而是將輸入送入正確的計算環境，再將結果完整地帶回工作流程。

不必將所有東西都擠在一台電腦上，也不必為了連接一臺算力伺服器而重寫整個流程，這對實驗室和科研團隊尤其重要。

數據、模型和算力都可以留在自己的環境裡，智能體負責將它們串聯起來。

真實數據、真實計算，它真的沒編

用便宜的模型做科研，最怕什麼？怕它一本正經地胡編。

OpenAI4S 制定了一項嚴格規定，稱為 no-fabrication policy（不偽造策略）：禁止使用 np.random 虛構實驗結果、硬編造的「保守性」、以 BLOSUM 冒充 ESM、將模擬數據集當作真實數據……一律禁止。

Either genuine service, or honest error reporting.

所以你回頭看那個 INS 案例——序列是真從 UniProt 拉的，結構是真從 RCSB 下的，連不上網它就誠實跳過，絕不給你糊一個假的。

如果真的要計算蛋白質結構，它確實會調用 GPU：host.fold 會透過 SSH 連接到一台 8×A100 的機器，執行單序列 Protenix（AlphaFold3 級別）推論，並回傳帶有 pLDDT 的結構；host.score_mutations 則運行真實的 ESM 打分以篩選突變。

沒有配 GPU？那它就會直接報錯，絕不給你捏造一個假結構。

它寧願告訴你「算不了」，也不會給你捏造一個看起來像樣的假結構。

For a research agent, this may be more important than "being good at everything."

開源，是北大與元空AI聯合實驗室推動產學研協同的一次實踐

The release of OpenAI4S is not only the addition of an open-source project, but also a practical step by Peking University and MetaSpace AI to promote collaboration among industry, academia, and research.

作為雙方聯合實驗室的階段性成果，OpenAI4S 從研發到開源，離不開聯合實驗室張恭博同學的持續投入與推動。