开源版Claude Science来了，零依赖、MIT协议，内置30+项科研Skills

Claude Science，你可能有耳闻。

Anthropic家那个能自己搜文献、自己写代码、自己跑分析、自己出图出报告的科研Agent，一度让人直呼「这才是AI for Science该有的样子」。

但它闭源。

现在，有人把它复刻出来了——开源，MIT协议，核心零依赖。

项目叫OpenAI4S（Open AI for Scientist），是北京大学&元空AI Agent联合实验室正式开源的科研智能体项目。

划重点：它不是「长得像」Claude Science，而是沿着Code-as-Action的思路，把引擎、持久内核、host-RPC协议、安全层，用开源方式独立复现了一遍。

项目已于2026年7月6日在GitHub开源，采用MIT许可证。

目前，OpenAI4S提供完整的科研Web应用、数十个内置Skills、自有算力接入能力和版本化科研产物。

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

它并不满足于给出一段看起来正确的回答，而是希望让AI真正进入科研工作流，把一个问题从“提出”推进到“做完”。

不是多聊几轮，而是让AI真正动手

现在不少AI Agent，本质上都在做同一件事：模型面对一份提前准备好的「工具菜单」，判断该调用哪个工具，然后一步一步往下走。简单任务，这套方法够用。

但科研不是三五步就能搞定的事。

查多个数据库、下载数据、清洗数据、反复改代码、调用专业算法、请求GPU算力、生成图表、整理报告……任何一步出问题，都可能要回头重来。

OpenAI4S给出的答案是Code-as-Action，也就是“代码即行动”。

它让智能体直接生成Python或R代码，并在一个持续运行的内核环境中执行。

循环、条件判断、批量数据处理和绘图可以组合在一次执行里完成；数据和中间结果也不必在每一步重新交给模型，而是保留在工作环境中。

对用户来说，最直接的变化不是多了一个技术名词，而是AI可以把更长、更复杂的任务串起来：

前一步下载的数据，可以直接交给后一步分析；

生成的图片、表格和报告会自动保存；

研究人员也能随时打开Notebook，检查代码、接手分析或修改结果。

“代码即行动，内核即环境。”

一个界面里，完成从数据到结论的科研流程

OpenAI4S更像一张人和AI共用的科研工作台。

你给出一个任务，它可以自己查公开科研数据源、编写并运行分析代码、调用专业计算能力，再把结果整理成图片、表格、三维结构或Markdown报告。

整个过程，不是做完就散。每一份科研产物都会被记录、保存和版本化，方便后续检查、修改和复用。

比如，让它分析一个蛋白质。

它可以先去检索真实的蛋白质序列和结构数据，再完成特征计算与可视化，最后把分析过程、数据来源和结果一起写进论文。

重点是：数据是真的，计算也是真的。

外部服务连不上，或者计算条件不满足，它会明确告诉你哪里做不了。不会偷偷塞一份模拟数据，更不会编个结果把论文强行补齐。

△

科研工作往往还需要反复修改。

传统流程中，研究人员可能要重新找到绘图脚本、修改参数、再次运行并导出文件；

在OpenAI4S中，可以直接用自然语言提出调整要求，智能体会基于已有数据和代码重新生成产物，同时保留版本记录。

△

数十个科研Skills，把专业能力装进智能体

通用模型想变成科研助手，只靠「聪明」还不够。

它得知道专业数据去哪里找，专业工具怎么用，复杂算法该怎么跑。

OpenAI4S首批内置了30+个科研Skills。

蛋白质结构、序列分析、蛋白设计、分子对接、单细胞分析、文献检索、开放数据检索……基本覆盖了一批常见的计算科研场景。

其中，有14个Skills封装了需要GPU或专业模型才能完成的科学计算能力。

这里的Skills，也不是一张写死的工具参数表。它们更像是一组可以被智能体阅读、理解和执行的「代码配方」。

需要什么数据、调用什么服务、代码怎么写、结果怎么检查，都可以沉淀在Skill里。

以后有新的数据库、新的算法或者新的实验流程，开发者继续往里接就行。

也就是说，这套能力不是一次性封死的，科研需求怎么变，Skills就可以跟着怎么长。

科研数据要连上真正的计算环境？把任务送到自己的GPU

科研计算，还有一个很现实的问题：算力。

蛋白质折叠、突变评分、分子模拟这些任务，不是普通笔记本随便跑两下就能完成的。

而且，很多专业计算背后，都依赖特定模型、复杂软件环境和GPU资源。

OpenAI4S支持接入自有计算环境。本地负责交互和组织任务，需要GPU的专业计算则可以派发到自己的服务器上执行，结果跑完以后，再回到同一套科研工作流里。

比如蛋白质结构预测和突变效应评分，真正困难的往往不是生成调用代码，而是把输入送进正确的计算环境，再把结果完整地带回工作流。

不用把所有东西都挤在一台电脑上，也不用为了接一台算力服务器重写整套流程，这点对实验室和科研团队尤其重要。

数据、模型和算力都可以留在自己的环境里，智能体负责把它们串起来。

真实数据、真实计算，它是真没编

拿便宜模型跑科研，最怕啥？怕它一本正经地胡编。

OpenAI4S立了条硬规矩，叫no-fabrication policy（不伪造策略）：用np.random假装实验结果、硬编造的「保守性」、拿BLOSUM冒充ESM、模拟数据集充当真数据……全禁。

要么真服务，要么老实报错。

所以你回头看那个INS案例——序列是真从UniProt拉的，结构是真从RCSB下的，连不上网它就诚实跳过，绝不给你糊一个假的。

真要算蛋白结构，它也是真调GPU：host.fold会ssh到一台8×A100的机器上，跑单序列的Protenix（AlphaFold3级别）推理，回传带pLDDT的结构；host.score_mutations跑真实的ESM打分挑突变。

没配GPU？那它就直接报错，绝不给你捏一个假结构。

它宁可告诉你「算不了」，也不给你捏一个看起来像模像样的假结构。

对于科研Agent来说，这可能比「什么都会」更重要。

开源，是北大&元空AI联合实验室推动产学研协同的一次实践

OpenAI4S的发布，不只是增加了一个开源项目，也是北京大学与元空AI推进产学研协同的一次实践。

作为双方联合实验室的阶段性成果，OpenAI4S从研发到开源，离不开联合实验室张恭博同学的持续投入与推动。

张恭博研究方向聚焦AI for Science，由他担任共同第一作者的UniGenX，探索了面向分子、材料与蛋白质的通用科学基础模型，这些围绕科学智能展开的研究积累，也进一步延伸到了OpenAI4S的研发与落地中。

同时，OpenAI4S也凝聚了团队中李昊、王豫、刘宇阳、吕刘正浩、毛奕澄、林慕捷、彭莘尧、姜政祥、王一米等同学的共同努力，从框架设计、功能研发到开源发布，每个环节都离不开大家的协作与投入。

元空AI是一家端侧AI公司，专注于通过模型后训练、Agent Runtime、长期记忆与端侧推理技术，让AI在本地及离线环境中完成复杂任务。

目前，该公司已形成元空AI Work与元空AI Science两条产品线，分别进入智能办公与科学发现领域。

这次开源OpenAI4S，也体现了联合实验室与元空AI对科研Agent的共同判断：

科研智能体不能只停留在Demo，而应成为真正可执行、可检查、可扩展的科研基础设施。

因此，本次开放的不只是示例，还包括核心架构、科研Skills与完整应用。

高校、科研机构、开发者和产业伙伴可以在此基础上接入数据源、算法、工具与科研流程，共同推动科研Agent进入更多真实任务。

欢迎把它跑起来，也一起把它做下去

参与OpenAI4S，可以从把它跑起来开始。

安装不复杂，三行就能启动：

启动项目本身，不需要先配置模型Key。

进入界面以后，在Customize → Models里填写就行。

项目还自带了一整套真实案例，可以直接跟着跑：Live API工作流、人胰岛素INS真实数据分析、一句话改图，以及计划模式下的青蒿素和紫杉醇溶解度预测、蛋白质工程……

但把项目跑起来，只是第一步。

真实科研横跨生命科学、化学、材料、医学、地球科学等众多领域。

每个方向都有自己的数据库、专业模型和计算流程。如此庞大的能力版图，不可能只靠一个团队一次性补齐。

因此，OpenAI4S正式向高校、科研机构、开发者和产业团队发出Call for Contributors。

目前，兔展智能的Skills UI，已对该开源项目给予了部分支持。

如果你熟悉某个科研方向，可以为它开发新的科研Skills，接入专业数据库、算法模型和计算平台；

如果你擅长Agent或软件工程，也可以参与完善核心架构、远程计算、安全机制、测试和文档。

不写代码，也能参与。

提交一个Issue、补充一个可复现案例、反馈一次失败任务，或者告诉社区某个学科真正需要什么，都是有价值的贡献。

如果你也相信，科研Agent不该只停留在Demo里，欢迎把它跑起来，也欢迎一起把它做下去。

传送门

https://github.com/PKU-YuanGroup/OpenAI4S

https://www.chatexcel.com/homesite/openAI4S