OpenAI4S（Open AI for Scientist）是由北京大学与元空AI Agent联合实验室共同开源的科研智能体项目，被社区称为"开源版 Claude Science"。它于 2026 年 7 月 6 日在 GitHub 正式开源，采用 MIT 许可证，核心零依赖，提供完整的科研 Web 应用、30 多个内置科研 Skills、自有算力接入能力以及版本化的科研产物管理。与市面上大量"多轮对话式"的通用 Agent 不同，OpenAI4S 沿着 Code-as-Action（代码即行动）的技术路线，把引擎、持久内核、host-RPC 协议和安全层用开源方式独立复现了一遍，目标是让 AI 真正进入科研工作流，把一个课题从"提出问题"一路推进到"做完实验、出图出报告"。

一、主要功能

1. Code-as-Action 代码即行动引擎。OpenAI4S 不再让模型在一张写死的"工具菜单"里挑选函数，而是让智能体直接生成 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、批量数据处理与绘图可以组合在一次执行中完成，中间结果保留在工作环境里，不必每一步都重新喂给模型。

2. 30 多个内置科研 Skills。首批 Skills 覆盖蛋白质结构预测、序列分析、蛋白设计、分子对接、单细胞分析、文献检索、开放科研数据检索等常见计算科研场景。其中有 14 个 Skills 封装了必须依赖 GPU 或专业模型才能完成的科学计算能力。

3. 版本化科研产物管理。智能体生成的图片、表格、三维结构、Markdown 报告都会被自动记录、保存并版本化。研究人员可以随时回查某一版图表由哪段代码、哪份数据生成，也可以用自然语言提出修改要求，由智能体基于已有数据重新生成新版本。

4. 自有算力接入。本地负责交互与任务组织，需要 GPU 的重计算任务可以派发到实验室自己的服务器执行。例如 host.fold 会通过 ssh 连到 8 卡 A100 机器上运行 Protenix（AlphaFold3 级别）推理，回传带 pLDDT 置信度的结构；host.score_mutations 则调用真实 ESM 模型完成突变打分。

5. no-fabrication 不伪造策略。项目在架构层面明令禁止用 np.random 假装实验结果、硬编造保守性数值、拿 BLOSUM 冒充 ESM、用模拟数据集充当真实数据等行为。外部服务连不上或计算条件不满足时，智能体会明确报错并说明哪一步做不了，而不是悄悄补一份看似合理的假数据。

6. 开箱即用的 Web 工作台与真实案例库。项目自带 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与紫杉醇溶解度预测、蛋白质工程等完整案例，可以直接跟着跑通，Notebook 全程开放给研究人员检查与接管。

二、技术原理

1. 持久内核与 host-RPC 协议。OpenAI4S 维护一个长期存活的计算内核，变量、数据框、已加载的模型都常驻其中，智能体每次执行的代码都在同一上下文里累积。跨主机的重计算通过 host-RPC 协议下发，把"本地编排 + 远端算力"解耦，既保证交互流畅，又能撬动集群资源。

2. Skills 即代码配方。Skills 并非一张固定参数表，而是一组能被智能体阅读、理解并执行的结构化配方，内含需要什么数据、调用什么服务、代码怎么写、结果如何校验等信息。新数据库、新算法、新实验流程都可以按同一范式持续追加，能力版图随科研需求生长。

3. 分层安全与真实性校验。安全层负责命令审查、危险操作拦截与外部服务连通性检测，真实性校验层则在产物落盘前核对数据来源与计算链路，一旦发现数据源缺失就中断流程并回报，从工程上堵住大模型幻觉进入科研结论的路径。

三、应用场景

1. 结构生物学与蛋白工程。从 UniProt 拉取真实序列、从 RCSB 下载结构，再完成折叠预测、突变效应评分与可视化，形成可复现的蛋白设计闭环。

2. 药物研发与分子性质预测。分子对接、溶解度预测、化合物筛选等任务可以串成一条长流程，中间数据全部留痕，便于团队复核。

3. 单细胞与组学数据分析。批量读取表达矩阵、聚类降维、差异分析、绘图出报告，一次会话内跑完，无需在多个脚本之间来回切换。

4. 文献调研与开放数据检索。自动检索公开科研数据源与文献，整合成结构化综述材料，为课题立项与基金申请节省大量前期时间。

5. 高校实验室的科研基础设施。数据、模型和算力都留在实验室自己的环境里，智能体只负责把它们串起来，适合对数据合规有硬性要求的研究团队。

四、使用方法

1. 克隆仓库。执行 git clone https://github.com/PKU-YuanGroup/OpenAI4S 获取源码，进入 OpenAI4S 目录。

2. 初始化环境。首次运行执行 setup.sh 脚本，项目会使用 uv 自动创建隔离的 Python 环境，无需手工处理依赖冲突。

3. 启动服务。执行 start.sh 后打开本地地址 127.0.0.1:8760 即可进入 Web 工作台，启动阶段不需要预先配置任何模型 Key。

4. 配置模型。进入界面后在 Customize 中的 Models 面板填写所用大模型的接口信息，支持按需切换不同供应商。

5. 跑通案例并接入算力。先运行自带的 INS 真实数据分析等示例熟悉交互，再按文档配置远端 GPU 服务器，把 host.fold、host.score_mutations 等重计算 Skills 接入自己的集群。

五、适用人群

1. 高校与科研院所的研究生、博士后，需要一个能真正动手跑数据、出图表的科研助手。

2. 结构生物学、药物研发、材料科学等计算密集型方向的课题组，希望把 GPU 集群与智能体工作流打通。

3. AI for Science 方向的算法工程师与开源贡献者，可以基于 MIT 协议二次开发、贡献新的科研 Skills。

4. 企业研发部门中的计算化学、生物信息团队，关注数据不出内网的私有化部署方案。

5. 关注科研智能体前沿进展的技术爱好者与产品经理，可通过本地部署快速理解 Code-as-Action 范式。

六、优缺点介绍

优点：一是完全开源且采用宽松的 MIT 协议，核心零依赖，商业与学术使用都没有授权顾虑；二是 Code-as-Action 架构让长链条科研任务真正可执行，而不是停留在 Demo；三是 no-fabrication 策略从工程层面遏制模型编造数据，科研结论更可信；四是支持接入自有 GPU 算力，数据与模型可留在本地环境；五是科研产物全程版本化，便于复现与审计；六是 Skills 体系可扩展，社区已发出 Call for Contributors，能力边界会随生态持续扩张。

缺点：一是部署与算力接入仍有一定技术门槛，完全不懂命令行的研究人员上手较慢；二是首批 30 多个 Skills 主要集中在生命科学方向，化学、材料、地球科学等领域覆盖仍不完整；三是项目开源时间较短，文档与边缘场景稳定性还需社区持续打磨。