Wisp Science：本地优先的 AI 科研工作台，41 个技能让生物信息学家专注思考

想象一个场景： 深夜，你是一位生物信息学博士，需要分析一批 RNA-seq 数据来找出差异表达基因。往常的流程是：打开终端、回忆 Python 脚本语法、翻找之前保存的代码片段、在 PubMed 上手动搜索相关文献、最后再把结果整理成 PPT。而现在，你只需要在一个桌面应用里描述你的目标——"我有一批人类肝脏组织的 RNA-seq 数据，帮我找出 top 50 差异表达基因，并生成可视化图表和文献摘要"——AI 助手会自动启动 Python 环境、写代码执行、向生物信息学数据库发起查询、把文献摘要整合进来，全程在你的本地电脑上完成，数据不上传到任何云端。

这就是 Wisp Science 正在做的事。

背景：科研工具的"孤岛困境"与 AI Agent 的机遇

科学计算领域长期存在一个痛点：工具极度碎片化。Python 写分析脚本、R 做统计建模、命令行跑生物信息学工具、浏览器查文献、本地文件管理系统管理数据……每个环节之间几乎没有统一的工作流。研究者们花费大量时间在"如何做"（工具切换和脚本调试）而非"做什么"（科学问题本身）上。

2023 年大语言模型浪潮带来了新的可能性：AI Agent 具备规划、工具调用、记忆和迭代执行能力，理论上可以将科研工作流串联起来。但当时的 AI 编程助手（如 Copilot）更多解决的是"帮我写这段代码"的碎片需求，而无法handle 一个完整的多步骤科研任务闭环。

Wisp Science 正是诞生于这个时间节点。作者 xuzhougeng（徐卓庚）是一名生物信息学背景的开发者，他在日常科研中深感上述痛点，最终决定自己动手，用现代 AI Agent 架构打造一个真正为科研场景设计的本地工作台。项目采用 Rust + Tauri v2 构建，融合了 AI 编程工具的 Agent 范式与科学计算的具体场景，是目前开源生态中为数不多的垂直领域 AI Agent 桌面应用。

图1：Wisp Science 作者 xuzhougeng（徐卓庚）头像

核心架构：Rust 微内核 + 可插拔扩展

Wisp Science 的架构设计非常清晰：采用 Rust workspace 组织的微内核 + 多层扩展体系，总共包含 11 个内部 Rust crate，各司其职：

Crate 名称	职责
wisp-core	Agent 运行时：上下文压缩、系统提示词组装、agent_loop、Markdown 记忆管理
wisp-llm	LLM 客户端：支持 OpenAI 兼容接口（DeepSeek/Qwen/MiniMax/Ollava 等）和 Anthropic Messages API，统一封装 SSE 流式输出和推理过程
wisp-tools	Agent 工具集：read/write/edit/search/grep/shell/attempt_completion，内置 Windows 安全沙箱机制
wisp-skills	Skill 系统：发现和执行 SKILL.md 格式的 Agent 技能，支持内置目录和用户自定义目录
wisp-runtime	Python/R 运行时管理器：项目级 REPL 工具，可在本地、SSH、WSL、GPU 环境中持久化运行
wisp-mcp	MCP 客户端：基于 stdio JSON-RPC 协议，通过 uv 启动内置 bio-tools MCP 服务
wisp-acp	外部编码智能体协议（Agent Communication Protocol）实现
wisp-store	数据持久化：sqlx + SQLite，存储 projects/frames/messages/artifacts/settings，使用 OS keyring 管理密钥
wisp-cli	无界面 CLI 入口
wisp-paths	路径解析和项目文件定位
wisp-sync	项目同步引擎

桌面 Shell 层使用 Tauri v2 构建，集成了 Leptos 前端框架（响应式、类型安全的 WebAssembly 前端），提供跨平台窗口管理、系统托盘、通知等原生能力。Rust 微内核的引入使得 Agent 运行时具有极高的执行效率和内存安全性，相比纯 Python/Node.js 的 Agent 实现，在长会话和复杂任务中的性能表现更为稳定。

Agent 技能系统：41 个开箱即用的科研"工作流"

如果说 Rust 内核是 Wisp Science 的"发动机"，那 Skill 系统就是它的"方向盘"——定义了 AI Agent 在不同场景下应该如何工作。

项目内置了 41 个 Agent 技能（SKILL.md 格式），覆盖以下主要场景：

文献调研类：

• bear-onboard：给定一个陌生领域，同时产出"概念版图"（当前领域现状）和"演化脉络"（历史发展），快速建立认知框架
• bear-trace：溯源某个观点或结论的原始文献，绝不编造引用
• bear-support / bear-counter：为特定观点寻找支持或反驳的文献证据
• literature-review：系统综述一个主题的研究现状

生物信息学专项（这是 Wisp Science 最具特色的部分）：

• alphafold2：bear-propose（提出假设）+ AlphaFold2 预测蛋白质结构
• boltz：Boltz-1 蛋白质结构预测
• esmfold2 / fair-esm2：ESM 系列蛋白质语言模型推理
• diffdock：分子对接
• chai1：冷冻电镜结构解析辅助
• evo2：Evolutionary-scale prediction
• scvi-tools：单细胞 RNA-seq 分析
• scgpt：单细胞表达谱嵌入
• proteinmpnn / ligandmpnn / solublempnn：蛋白质设计

数据探索与可视化：figure-composer、figure-style、pdf-explore、indication-dossier

环境与计算资源：compute-env-setup、local-env-setup、remote-compute-ssh、remote-compute-modal

工具构建：skill-creator、self-awareness、product-self-knowledge

每个技能都是一个符合 SKILL.md 规范的文件夹，包含技能描述、触发条件、执行步骤和输出格式定义。这种"声明式技能"的设计让用户可以轻松扩展自己的专属工作流——只要按照规范写一个 SKILL.md 文件，放在 skills 目录下，Agent 就能自动发现并使用它。

Model Context Protocol：80+ 数据库无缝接入

MCP（Model Context Protocol）是 Anthropic 主导的 AI-Agent 工具调用协议标准，Wisp Science 内置了 MCP 客户端，可以连接任何兼容 MCP Server 的工具服务。项目目前捆绑了两个内置 MCP Server：

bio-tools：最核心的内置服务，集成了约 80 个生物信息学和计算生物学数据库的访问能力，包括 Ensembl、UniProt、PDB、BioMart 等常见数据源。这意味着 Agent 在执行生物信息学任务时，可以直接查询真实数据库，而非凭空生成数据——这是科研场景与通用 AI 编程助手最大的区别之一。

ketcher-chemistry：基于 EPAM Ketcher 的化学结构编辑器 MCP 服务，支持分子结构绘制、编辑和化学信息查询，用于化学信息学场景。

MCP 客户端的实现采用 stdio JSON-RPC 协议，通过 uv（现代 Python 包管理器）动态启动 Python 实现的 MCP Server，无需独立部署，直接打包在应用内。

LLM 支持：多模型路由 + 本地部署

wisp-llm crate 实现了 Provider trait 抽象，同时支持两种 LLM 调用模式：

OpenAI 兼容模式：覆盖 OpenAI API、DeepSeek、Qwen（通义千问）、MiniMax、Ollava、LM Studio，以及任何实现了 /chat/completions 接口的本地/云端模型。这意味着用户完全可以利用 Ollama 或 LM Studio 在本地运行开源模型（如 Llama 3、Qwen 2.5），实现完全离线的 AI 科研辅助。

Anthropic Messages API：支持 /v1/messages 接口，兼容 Claude 系列模型，并统一处理 reasoning_content / reasoning / thinking_delta 等不同模型特有的推理输出格式。

两种 Provider 均实现了非阻塞的 complete() 方法和 SSE stream() 方法，支持流式输出和推理过程展示。此外还实现了 RoutedProvider，可以根据任务类型自动选择最合适的模型。

上下文压缩：让长会话不再"爆 Token"

科研任务通常涉及大量上下文信息（文献、代码、数据文件、Agent 执行历史），在长会话中很容易触发 LLM 的上下文窗口限制。Wisp Science 的 wisp-core 中实现了三层上下文压缩机制：

1. Message 级别压缩：对 Agent 消息历史进行摘要，保留关键决策点
2. Artifact 级别压缩：对生成的中间产物（代码、图表、数据）进行结构化压缩
3. Context Manager：主动管理 Token 预算，在接近上限前触发压缩

这套机制使得 Wisp Science 能够支撑起完整的多日科研工作流，而非只能在单次会话内完成任务。

本地优先：数据主权与隐私保护

相比起 ChatGPT、Claude 等云端 AI 服务，Wisp Science 最大的差异化卖点是"本地优先"（Local-first）：

• 数据不离开本机：所有分析脚本、中间数据、文献、代码都存储在本地 SQLite 数据库，不上传任何云服务
• SSH/WSL 远程计算：支持连接远程高性能计算服务器，在 GPU 节点上运行重型任务
• 离线可用：配置好本地模型后，完全断网也能运行

在生物信息学场景下，这一特性尤为重要——患者基因组数据、临床研究数据往往受 GDPR 或 HIPAA 约束，不能上传到第三方服务器。本地优先设计让 Wisp Science 在合规敏感场景下有了独特优势。

部署体验：桌面应用 + CLI 双轨并行

项目当前版本为 v0.17.0（MIT 协议，Apache-2.0 许可证），以 Tauri v2 桌面应用形式分发，Windows 和 macOS 用户可直接下载安装包。Linux 用户需要通过源码构建（需要 Rust 1.88+ 和 Node.js 18+）。

项目不提供 Dockerfile，也不支持 docker-compose 方式一键部署。这是因为 Tauri 桌面应用本身就需要针对各平台做原生打包，容器化并不能简化部署流程，反而会增加复杂度。对于普通用户，建议直接使用官方发布的安装包；对于开发者，参考 README 中的源码构建指南（Windows PowerShell / macOS）。

CLI 模式适合服务器场景：连接远程 GPU 节点作为计算后端，通过命令行操作执行科研工作流。

局限与挑战

作为一个 MVP 阶段的项目，Wisp Science 也存在明显的局限性：

功能完成度：v0.17.0 明确标注为"MVP 垂直切片"，核心 Agent 循环、流式输出、工具集、Python/R REPL、MCP 客户端和 UI 均可运行，但路线图上仍有许多功能尚未实现（如完整的项目控制平面、调度器、数据资产版本管理等）。

技能质量依赖：内置的 41 个科研技能需要与对应的数据库/模型服务配合使用，若后端服务不可用，相关技能会降级或失败。例如 AlphaFold2 预测需要 AlphaFold Server 或本地部署的 AlphaFold 服务。

前端构建依赖 Windows/macOS 脚本：项目使用 PowerShell 脚本（.ps1）作为前端构建命令，Linux 开发者需要在 WSL 环境中操作。

AI 模型需自备：项目本身不捆绑任何 AI 模型，用户需要自行准备 OpenAI API Key、Anthropic API Key，或部署本地 Ollama/LM Studio 服务。

行业意义：科研 AI Agent 的本土化实践

Wisp Science 的出现填补了国内开源社区在"科研垂直领域 AI Agent 桌面应用"方向的空白。相较于通用 AI 编程助手（如 Copilot、Claude Code），它有几个鲜明特点：

1. 领域深耕：不是通用聊天机器人，而是专为科学计算场景设计的 Agent 框架，内置的生物信息学技能库具有极高的实用价值
2. 架构优雅：Rust 微内核 + Leptos 前端 + Skill 插件体系，架构清晰易扩展
3. 本地优先理念：在数据隐私意识日益增强的今天，本地优先是科研工具的正确方向

目前项目在 GitHub 上获得了 187 颗星，对于一个纯个人项目（作者是主要维护者）而言，已经展现了清晰的受众需求。后续若能吸引更多社区贡献技能和 MCP Server，或与高校实验室合作定制工作流，有望成为生物信息学/计算生物学领域的"标准科研 Agent 平台"。

---

一句话总结：Wisp Science 是一个用 Rust+Tauri 构建的本地优先 AI 科研助手，通过 11 个 Rust crate 组成的微内核、41 个可扩展技能、80+ 生物信息学数据库 MCP 支持，让科研工作者在本地设备上拥有完整的 AI 辅助研究工作流——数据不出本机，模型可自选，是科研隐私敏感场景下的理想选择。