Anthropic 的 Claude Science 让不少研究者第一次看到"AI for Science 该有的样子"，但它始终闭源。现在，北京大学与元空AI Agent联合实验室把这套思路复刻了出来——OpenAI4S（Open AI for Scientist）已于 2026 年 7 月 6 日在 GitHub 正式开源，采用 MIT 许可证，核心零依赖，内置 30 多个科研 Skills，并支持接入实验室自有 GPU 算力。这个被称作"开源版 Claude Science"的项目近日在 AI for Science 圈层刷屏。
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，把问题从"提出"推进到"做完"。
一、Code-as-Action：让智能体直接写代码，而不是点菜单
目前多数 AI Agent 的做法，是让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再往下走。简单任务够用，但科研往往要查数据库、清洗数据、反复改代码、调用专业算法、申请 GPU 算力、生成图表、整理报告，任何一步出问题都可能回头重来。
OpenAI4S 给出的答案是 Code-as-Action（代码即行动）：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，数据和中间结果保留在工作环境中，不必每一步重新交给模型。对研究者来说，最直接的变化是任务能被串起来：前一步的数据可直接交给后一步分析，生成的图片、表格、报告自动保存，研究人员也能随时打开 Notebook 检查代码。项目团队把这套设计概括为一句话："代码即行动，内核即环境。"
二、30+ 科研 Skills 与自有算力接入
通用模型想变成科研助手，光"聪明"还不够，它得知道专业数据去哪找、专业工具怎么用、复杂算法怎么跑。OpenAI4S 首批内置了 30 多个科研 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、开放数据检索等场景，其中 14 个封装了必须依赖 GPU 或专业模型才能完成的科学计算能力。
这些 Skills 不是写死的参数表，而更像一组能被智能体阅读、理解并执行的"代码配方"，新数据库和新算法可以持续追加。算力方面，OpenAI4S 支持接入自有计算环境：本地负责交互与任务组织，重计算派发到实验室服务器执行。例如 host.fold 会通过 ssh 连到 8 卡 A100 机器跑 Protenix（AlphaFold3 级别）推理并回传带 pLDDT 的结构。
三、no-fabrication 硬规矩：宁可报错，不编数据
用大模型跑科研，最怕的是它一本正经地胡编。OpenAI4S 为此立了一条硬规矩，叫 no-fabrication policy（不伪造策略）：用 np.random 假装实验结果、硬编造"保守性"数值、拿 BLOSUM 冒充 ESM、用模拟数据集充当真实数据，全部禁止。外部服务连不上或计算条件不满足时，它会明确告诉你哪一步做不了，绝不悄悄塞一份假数据把结论补齐。
在项目自带的人胰岛素 INS 案例中，序列真从 UniProt 拉取，结构真从 RCSB 下载，断网时诚实跳过。每一份科研产物还会被记录并版本化，研究人员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。安装也很轻：git clone 后执行 setup.sh 与 start.sh，打开本地 8760 端口即可使用。对国内 AI for Science 生态而言，一个可执行、可检查、可扩展的开源科研基础设施，价值可能远超又一个闭源 Demo。
