Open Science：让每一位研究者都能拥有自己的 AI 科学助手

想象这样一个场景：你是一位生物信息学研究员，手头有一批 RNA-seq 数据需要分析。 以往流程是打开 Jupyter Notebook、查阅文献、编写 Python 脚本、运行统计检验、向同事解释代码——整个过程可能跨越好几天，每次环境重建都像一场噩梦。

Open Science 想改变这一切。这是一款开源的、模型无关的 AI 科学工作台，让研究者用自然语言描述任务，就能获得可审计、可复现的完整分析结果。 它不是另一个聊天界面，而是一个真正能【干活】的 AI Agent——会读取文件、运行代码、搜索数据库、调用科学工具，最终交付的不只是答案，还有产生答案的完整执行记录。

图1：Open Science 主工作区，支持会话历史、文件预览、Notebook 内核等组件并排展示

开源科学工作台的诞生背景

在 Open Science 出现之前，AI 辅助科研的主流工具几乎是清一色的闭源商业产品。这些产品往往绑定特定供应商的 API、订阅层级和计费区域，在数据隐私要求严格的医疗和生命科学领域难以落地。 一个显而易见的矛盾是：最需要可复现、可审计 AI 工具的研究者社区，却最难使用这类工具。Open Science 正是为解决这个矛盾而生。 它由独立开发者 aipoch 从零构建，目标是成为科学 AI 工作台领域的【开源基础设施】——就像 Linux 之于服务器、WordPress 之于博客。 开发者明确强调：这不是任何现有商业产品的非官方客户端，也不是简单的代理包装，而是一个完全独立的实现，有自己的代码库、数据模型和路线图。项目采用 Apache 2.0 许可证，GitHub 标星已超过 1000。

图2：首次启动时的自动化环境检测，自动识别兼容性并安装应用托管的 Claude 运行时

核心架构：从 Electron 到 AI Agent 的完整链路

桌面应用的工程架构

Open Science 底层是一个标准的 Electron 桌面应用，采用 TypeScript 作为主开发语言。技术栈包括：

• Electron + electron-vite：应用外壳和热重载
• React + TypeScript：渲染层 UI
• Prisma + SQLite：轻量级持久化数据库，存储项目元数据、预览状态和会话记录
• Node.js：主进程和 CLI 工具链

包管理采用 monorepo 结构，packages/open-science 作为独立 NPM 包（@aipoch/open-science）发布，支持 open-science 命令行工具。CLI 和 SDK 在 headless 模式下也能运行，具备服务器端集成能力。

ACP 驱动的 Agent 运行时

应用最核心的部分是 Agent 后端。Open Science 通过 ACP（Agent Communication Protocol）将上层 UI 与底层 Agent 实现解耦，使得同一套工作区可以跑在不同的 Agent 框架上。模型选择支持多供应商：Anthropic Claude、OpenAI GPT 系列、Grok (xAI)、DeepSeek、GLM、Moonshot (Kimi)、MiniMax、StepFun、火山引擎 Ark、OpenRouter 等，覆盖了国内外头部大模型服务商。 传统的 Local Claude 本地模型模式已被移除，取而代之的是 Claude Subscription 模式——通过 claude setup-token 获取订阅认证 token，完全隔离于用户本地的 ~/.claude 配置，兼顾安全性和便利性。

图3：模型提供商设置，支持内置云供应商、自定义兼容网关及多种订阅登录方式

数据持久化与研究记录系统

Prisma schema 揭示了数据模型的设计哲学：会话和消息以文件形式保存在磁盘（src/shared/session-persistence.ts），SQLite 仅存储项目元数据、预览状态和审核结果。这种【文件优先】策略保证即使数据库损坏，研究者也能直接访问原始文件和会话记录。Session 模型支持多轮对话、Notebook 输出历史和工具调用记录——这是可审计性的技术基础。

科学技能与数据连接器生态

Open Science 围绕科学研究场景构建了两套扩展机制。Skills 以 SKILL.md 文件为核心格式，支持 Markdown 定义 Agent 行为指令，让科学知识本身成为可版本控制、可分享的资产。 AIPOCH 团队维护的 medical-research-skills 仓库提供了大量医疗和生命科学领域的技能包，包括文献检索、基因分析、临床试验查询等。支持从 GitHub 预览和导入技能包，Agent 在会话中也能主动请求导入（需用户确认）。

MCP（Model Context Protocol）连接器将外部科学数据库暴露为 Agent 可调用的工具。内置连接器覆盖：文献检索（PubMed、arXiv）、基因与蛋白（基因组、蛋白质结构、变异分析）、临床研究（临床试验注册数据）、化学与药物（分子结构、药物法规信息）、基因表达谱分析等。 每个连接器都受权限系统管控，支持【始终允许】、【每次询问】和【阻止】三种策略，加上对话级别的安全配置文件（Ask for approval / Auto-approve edits / Full access），形成多层次访问控制。

图4：内置科学技能目录，支持文件型技能包上传、GitHub 导入和 Agent 会话请求导入

图5：生命科学数据连接器覆盖文献、基因、蛋白、临床研究、化学等多个垂直领域

可复现性：科学工具的生死线

对科学工具而言，可复现性不是锦上添花，而是核心价值。Open Science 在这一维度上有几个值得称道的设计。

持久化会话与 Notebook 内核：Python、R 和 REPL 内核的代码和输出历史会被持久化保存。即使应用重启，研究者也能回到之前的任意会话继续工作，会话中的文件引用（@语法）和工具调用记录全部保留。

Opt-in 审核员（Reviewer）：Agent 完成一轮任务后，可选择启动审核流程。Reviewer 会基于对话记录、执行日志和生成的制品进行独立审计，输出【通过/警告/失败】结论，并可执行一轮修复循环。这在药物研发和临床数据分析等高风险场景中尤为重要。

项目文件库与制品追踪：每次会话生成的报告、图表、数据表格都会被自动归入项目文件库。文件库按项目和会话分组，支持大文件流式上传（单文件最大 10GB），Notebook 输出可直接导出为 .ipynb 文件。

图6：项目文件库按会话分组管理上传资料和 AI 生成的制品，便于后续查阅和复用

图7：CSV 制品的原生预览功能，无需离开工作区即可检查数据质量

部署与上手体验

Open Science 提供 macOS（Apple Silicon + Intel）、Windows x64 和 Linux（AppImage/Debian）三大平台的安装包。安装后首次启动会依次完成两步引导：环境准备（自动检测兼容性、存储位置、安全凭证）和模型配置（内置云供应商或自定义网关）。 开发模式上手极为简单：git clone 后 npm install + npm run dev 即可启动，npm run dev:web 可在浏览器体验，npm run dev:headless 提供纯后台模式。@aipoch/open-science NPM 包支持在任意 Node.js >=22 环境中独立使用，适合集成到自动化流水线。

局限与争议

Open Science 目前仍存在一些局限：无容器化支持——项目既无 Dockerfile 也无 docker-compose，本质上是本地优先的桌面应用；科学边界问题——项目明确声明生成的内容不能替代专家判断，AI 对统计结果的误读和对文献的选择性引用都可能误导非专业用户；安全配置复杂度——多层次的权限系统虽然灵活，但对于非技术背景的研究者而言，正确配置这些权限本身就需要一定学习成本。

行业意义与发展方向

Open Science 的出现代表着科学 AI 工具从【云端订阅】向【本地自主】迁移的一个缩影。路线图的长期愿景是构建连接文献、数据、计算、制品、审核和可复用科学技能的完整链路。 当前版本 (v0.7.3) 已具备相当成熟度：原生上下文压缩（支持长会话）、暗色主题、全局搜索、大文件流式上传、Grok 供应商支持等特性表明项目正在快速迭代。 路线图中的【计算后端可插拔】和【远程 SSH 计算主机】计划预示着未来可能支持连接 HPC 集群和云 GPU，这对于计算密集型的 AI for Science 场景至关重要。 作为 Apache 2.0 许可的开源项目，无论是开发新的科学技能包、贡献 MCP 连接器，还是参与 Agent 框架的插件开发，都有大量空白等待填补。对于 AI 爱好者，这是理解复杂 Agent 架构的绝佳学习案例；对于 AI 开发者，这是可以真正用于科研场景的生产级工具平台。