OpenScience: 开源AI科学工作台，让AI成为你的联合研究员

图1: OpenScience 项目 Logo

一、场景切入: 当科研遇上AI浪潮

想象一下: 你正在攻读一篇综述文献，发现某个方法在近三年被引用了200多次，但你不知道这个方向还有哪些未解决的问题。你的导师丢给你一个任务: "调研一下这个方向，看看能不能做点什么。"

传统的做法是: 花几天时间通读文献、整理笔记、设计实验、编写代码、运行模型、反复调参……每一个环节都需要大量的人工操作。而OpenScience试图用AI agent的方式，把这些环节串联起来——你给一个目标，它来完成整个研究闭环: 读文献、写代码、跑实验、总结发现。

这不是科幻。Synthetic Sciences团队将这款工具定位为"AI co-scientist"(AI联合科学家)，目前已获得超过2900个GitHub stars，成为科学研究AI工具领域的标杆项目之一。

二、项目背景与团队

OpenScience由Synthetic Sciences团队开发和维护，托管在GitHub平台(synthetic-sciences/OpenScience)，采用Apache-2.0开源许可证。项目支持75+种大语言模型接入，包括Anthropic Claude、OpenAI GPT系列、Google Gemini等主流模型，以及DeepInfra、Cerebras、Groq等性价比提供商。

该项目从2025年初开始活跃开发，2026年7月最新版本为v1.2.8。团队在monorepo结构中维护了完整的CLI工具、前端工作区、UI组件库和SDK，形成了一套完整的科研AI工具生态。

三、核心功能: AI agent驱动的科研全流程

3.1 目标驱动的自动化研究流程

OpenScience的核心理念是"Give it a goal"——用户只需定义研究目标，系统自动完成后续工作。具体流程包括:

• 文献调研: 自动搜索和阅读相关领域文献
• 代码编写: 根据研究需求生成和调试实验代码
• 实验执行: 在沙箱环境中运行实验
• 结果总结: 将发现整理成结构化报告

3.2 多模型路由与动态切换

项目实现了模型无关(model-agnostic)的架构设计，内置75+模型提供商的集成，用户可以在不同任务之间动态切换最适合的模型。这种设计让用户不受单一模型能力限制，可以根据任务复杂度、成本和性能需求灵活选择。

项目使用ai SDK(Vercel AI SDK)作为模型调用层，支持流式输出(Server-Sent Events)，在前端工作区中实现实时对话交互。

3.3 本地优先的数据安全架构

架构文档明确指出: 服务器绑定在127.0.0.1，不存在远程模式。所有数据处理都在本地完成，不会上传到第三方服务器。这种设计对于处理敏感研究数据(如临床数据、机密实验数据)的团队尤为重要。

此外，项目使用OpenAuth.js实现本地身份验证，支持会话管理和权限控制。

3.4 扩展能力: MCP协议与Skill系统

项目内置MCP(Model Context Protocol)客户端，支持连接外部工具和服务。同时提供了Skill扩展系统，允许用户安装和配置自定义技能包。安装目录在.openscience/skill/，支持主题定制(.openscience/themes/)。

还支持LSP(Language Server Protocol)集成，提供代码补全和语法检查功能。

四、技术架构解析

4.1 Monorepo结构

项目采用Turborepo + Bun的monorepo结构，包含以下核心包:

包	说明
backend/cli	CLI核心，命令入口和服务端
frontend/workspace	Web工作区(SolidJS + Vite)
frontend/ui	UI组件库
frontend/landing	官网首页
tooling/*	构建和代码生成工具
tooling/sdk/js	JavaScript SDK

4.2 核心技术栈

• 运行时: Bun 1.3.14(Node.js兼容)
• 语言: TypeScript 5.8.2(严格类型)
• 框架: Hono(后端Web框架)、SolidJS(前端UI)
• 模型层: Vercel AI SDK 5.0.119(统一模型接口)
• 协议: MCP SDK 1.25.2、Agent Client Protocol SDK 0.13.0
• 发布: CLI二进制发布(Linux/macOS/Windows) + npm包发布

4.3 Agent运行时设计

后端核心模块分布在backend/cli/src/下，包括:

• agent/ — Agent核心运行时，会话管理和消息循环
• tool/ — 工具层: shell执行、文件编辑、LSP、MCP、科学连接器
• provider/ — 模型提供商路由
• skill/ — 技能包管理
• sandbox/ — 沙箱隔离执行环境
• session/ — 会话状态管理
• science/ — 科学计算专用模块
• auth/ — 本地认证(OpenAuth.js)

4.4 前端工作区

前端使用SolidJS替代传统React，配合Vite构建工具，提供响应式Web UI。E2E测试使用Playwright，覆盖浏览器自动化场景。

五、部署与安装

5.1 安装方式

项目提供两种安装路径:

方式一(推荐): npm/Bun安装CLI

bun install -g @synsci/openscience
# 或
npm install -g @synsci/openscience

安装后运行openscience即可启动本地服务并打开浏览器工作区。

方式二: 下载预编译二进制 每个GitHub Release版本都附带Linux、macOS和Windows的原生二进制文件，下载后直接执行即可。

5.2 环境要求

• 运行时: Bun >= 1.3.14 或 Node.js >= 18
• 内存: 推荐4GB+
• 磁盘: 约1GB
• GPU: 可选，纯计算任务无需GPU

5.3 部署限制

项目不支持Docker容器化部署，也没有提供Dockerfile或docker-compose.yml。这对于习惯容器化部署的团队是一个限制。但由于是本地优先设计，直接在主机上安装反而更符合项目定位。

六、局限性与挑战

6.1 容器化缺失

最明显的局限是没有Docker支持。在企业环境中，无法通过容器快速部署和扩展。对于需要多用户并发使用的场景，当前架构需要每人本地运行一个实例。

6.2 科学研究的质量边界

虽然项目定位为"AI co-scientist"，但当前的AI agent能力仍有明显边界: 生成代码的正确性无法保证、实验设计可能存在逻辑漏洞、文献解读可能遗漏关键信息。它更适合作为辅助工具而非替代研究者。

6.3 依赖特定运行时

项目强依赖Bun运行时。虽然Bun性能优秀，但对于已在使用Docker和Python生态的团队，引入Bun会增加额外的学习成本和环境配置复杂度。

七、行业意义与展望

OpenScience的出现代表了AI工具向科学研究纵深发展的趋势。随着大语言模型能力的提升，AI在科研场景中的角色正在从"辅助检索"向"主动参与"转变。

从增长数据看，项目从0到2900+ stars的轨迹说明市场对"科研AI助手"有强烈需求。特别是对于:

• 学术研究者: 快速文献调研和实验原型验证
• AI初创团队: 快速验证AI应用想法
• 企业内部R&D: 私有化部署AI研究环境

未来如果能补齐Docker支持、强化多agent协作能力，OpenScience有潜力成为科研AI领域的基础设施级工具。

八、快速上手指南

1. 安装: bun install -g @synsci/openscience
2. 启动: openscience(自动打开浏览器工作区)
3. 配置模型: 首次启动时设置API key(支持Anthropic、OpenAI等多平台)
4. 定义目标: 在对话中描述你的研究目标
5. 观察执行: Agent自动完成文献阅读、代码编写、实验运行
6. 查看结果: 工作区中实时查看生成的代码和实验结果