项目概览
| 属性 | 值 |
|---|---|
| 项目 | synthetic-sciences/openscience |
| GitHub | https://github.com/synthetic-sciences/openscience |
| 总星标 | 2,195 ⭐（2026-07-03 创建，9 天） |
| Fork | 311 |
| 语言 | TypeScript |
| 平均日增 | ~244 stars/day |
| 许可证 | Apache License 2.0 |
核心定位
OpenScience 是一个 AI 驱动的科研自动化工作台，让 AI 执行完整的科研闭环：
文献综述 → 假设生成 → 代码编写 → 实验运行 → 数据分析 → 报告撰写
全在浏览器内完成。用户只需给出研究目标，AI 自主驱动全流程。
核心功能
1. 完整研究闭环
文献综述、假设、代码、实验、分析、报告，一个会话全搞定，无需人工切换工具。
2. 多专家 Agent 架构
- research：主 Agent，负责协调
- biology / physics / ml：领域专家子 Agent
- critique：批判性审查
- literature-review：文献综述专项
3. 290+ 内置技能
覆盖模型训练（DeepSpeed / PEFT / TRL）、生物信息学、分子化学、arXiv / LaTeX、图表绘制、云算力（Modal / Tinker）等。
4. 30+ 科学数据库直连
UniProt、PDB、Ensembl、ChEMBL、PubChem、arXiv、OpenAlex、Semantic Scholar 等，Agent 可直接查询，无需手动复制粘贴。
5. 浏览器 UI 工作区
文件树 + 代码编辑器 + 终端 + 会话历史，支持分子结构、基因组、图表等科研数据的内联渲染。
6. 高度可扩展
LSP、MCP 服务器、插件系统、自定义 Agent、TypeScript SDK。
技术架构
| 模块 | 职责 |
|---|---|
| backend/cli | CLI、服务器、模型路由、会话管理、技能执行 |
| frontend/workspace | 浏览器 UI（文件树 + 编辑器 + 终端） |
| frontend/docs | 文档站和会话分享页面 |
| tooling/sdk/js | TypeScript SDK |
| tooling/plugin | 插件运行时 |
安装使用
# 安装
npm install -g @synsci/openscience
# 运行（设好 API Key）
export ANTHROPIC_API_KEY=sk-ant-...
openscience
# 或免安装直接跑
npx synsci也可用 GitHub Releases 的平台二进制，或 Synthetic Sciences 的 Atlas 托管平台（可选）。
对自建者的借鉴价值
如果你也在搭建 AI Agent 工作台，可以从 OpenScience 里拿走这些设计：
🟡 高价值（强烈推荐）
多 specialist Agent 分工协作模式：把复杂任务拆给不同领域的 sub-agent（biology / physics / ml / critique / literature-review），让"科研"这种跨学科工作有专门人手，而不是一个大模型包揽所有事。类比之下，自建 Agent 体系时可以按场景派发 specialist，而不是用 single prompt 试遍全场景。
🟡 中价值（值得参考）
MCP + 技能文件可扩展架构：290+ 技能通过文件注册，每个技能一个独立目录 / manifest，对应 OpenClaw 的 skills 目录机制。这种"文件即技能"的注册方式天然支持热加载、版本管理、社区共享，值得对标实现。
🟢 长期关注
科学数据库直连模式（UniProt / PDB / ChEMBL 等）。如果将来要做垂直行业的 AI 助手（金融 / 法律 / 医疗），可以参照 MCP 注册架构，把行业数据库一次性灌进去，Agent 直接查，不再依赖人肉搬运。
🔴 暂不适用
完整的科研闭环（文献 → 实验 → 报告）。大多数自建 Agent 场景不需要复现一整套科研管线，但其中"自动跑代码 → 自动分析结果 → 自动出报告"的小循环，对自动化脚本类任务非常有用，可以单独抽取出来复用。
核心结论
OpenScience 是近期最值得关注的新兴 AI Agent 之一，其"完整科研闭环"理念在 AI Agent 领域独树一帜。9 天破 2000⭐ 且持续高速增长（~244/天），说明 AI 科研自动化赛道正在快速升温。
对想自建 AI 工作台的读者而言，最值得借鉴的是：
- 多 specialist Agent 分工协作的模式 — 让复杂任务自动路由到对应 specialist，而不是单个 Agent 包揽
- MCP + 技能文件的可扩展架构 — 统一管理技能定义，支持热加载和社区扩展
这两个核心理念可以注入任何 AI Agent 框架的 skill dispatch 机制，提升复杂任务的处理能力。