北大与元空AI开源OpenAI4S:面向科研工作流的“代码即行动”智能体

科研 Agent 正在从“会回答”走向“能执行”。 北京大学与元空 AI Agent 联合实验室近日开源科研智能体项目 OpenAI4S, 希望把文献检索、代码执行、数据分析、图表生成和报告整理等环节, 放进一个可持续运行、可检查的科研工作流中。

📌 不是聊天助手, 而是可执行科研工作台

这意味着, 前一步下载或清洗的数据可以直接被后续分析复用 , 中间变量、图表、表格和报告也能保留在同一工作环境里。研究人员既可以用自然语言继续提出修改要求, 也可以打开 Notebook 查看代码、接手或复核结果。

🔍 30 余项科研 Skills 覆盖常见计算场景

项目首批内置 30 多个科研 Skills, 覆盖蛋白质结构、序列分析、蛋白设计、分子对接、单细胞分析、文献检索和开放数据检索等方向 。其中部分 Skills 封装了需要 GPU 或专业模型支持的计算能力。

这些 Skills 更接近可被智能体读取和执行的“代码配方”, 而不是固定工具按钮 。它们可以描述数据来源、调用方式、执行逻辑和结果检查方法, 后续也便于接入新的数据库、算法和实验流程。

• 支持科研 Web 应用与版本化科研产物管理;
• 可通过自然语言调整已有图表或分析结果;
• 可接入专业数据源、算法服务和远程算力环境;
• 适合开发者继续扩展不同学科的科研流程。

💡 强调真实数据与真实计算, 拒绝“编结果”

科研智能体最需要警惕的是“看似合理的伪造”。OpenAI4S 提出不伪造策略: 不能用随机数据假装实验结果 , 不能把模拟数据当作真实数据, 也不能用不匹配的方法冒充专业模型输出。

如果外部服务不可用, 或本地没有配置必要算力 , 系统应明确报错, 而不是补上一份看起来完整的假结果。以蛋白质相关任务为例, 项目设计中会尽量从真实公开数据库获取序列和结构信息; 涉及结构预测、突变评分等重计算任务时, 则需要调用已配置的专业计算环境。

📊 自有算力接入是重要看点

这对高校实验室、科研团队和企业研发部门有实际意义: 数据、模型和算力可以继续保留在自己的环境中, 智能体负责组织任务、调用工具和沉淀结果 , 减少为单个任务重复搭建流程的成本。

🚀 开源后的价值在于社区扩展

OpenAI4S 的意义不止于提供一个可运行 Demo。 科研横跨生命科学、化学、材料、医学和地球科学等领域 , 每个方向都有独立的数据规范、软件生态和验证方法, 单一团队很难一次性覆盖全部需求。

因此, 这类项目后续能否形成生态, 取决于更多研究者和开发者是否愿意补充 Skills、案例、测试与文档 。对于科研 Agent 而言, 真正的门槛不是演示效果, 而是在真实任务中保持可执行、可检查、可扩展。