1. 缘起：科研 AI 闭源，他们选择开源

6 月 30 日，Anthropic 发布了 Claude Science，说是给科学家用的 AI 工作台。
它能连六十多个科学数据库和工具包，跑出来的图、表、报告都留着可以查证的记录。
但它只支持 Claude 自家的模型，只对 Pro、Max、Team、Enterprise 这几档付费订阅用户开放。

三天后，新加坡一个叫 AIPOCH 的团队在 GitHub 上公开了一个新项目，名字就叫 Open-Science。

公开当天，他们往项目首页的说明里加了一张和 Claude Science 的对比表。
对方闭源，他们开源；对方只支持 Claude，他们不绑定任何一家模型；对方的数据放在云端服务器上，他们装在你自己的电脑里；对方要订阅，他们免费。
表格最后一行写的是：如果你今天就需要一个能用的 AI 科研助手，Claude Science 更强。
我们的优势不是功能，是结构上的天花板。

一个开源项目在第一天先承认对手更强，这种写法不多见。
两个月后，这个项目拿到 5517 星、2981 次提交，其中 2530 次来自同一个人。
一个人写愿景文档，另一个人两个月把代码写完，5973 个 TypeScript 文件，测试文件和源文件一比一配着。

仓库首页的横幅上写着一句 Science, Open to All。
他们想开的不只是代码，还有研究过程本身：一项分析是怎么做出来的，能不能换个人、换台电脑打开，接着跑。

程序员看到这个时间线大概就明白他们要做什么了：不绑定任何一家的模型和产品，自己做一个开源的科研 AI 工作台。
问题是，做到了什么程度。

2. 痛点：引文献、数据、图，三个绕不过的坎

先说科学家为什么不能直接用 Claude Code。

Claude Code 是 Anthropic 出的 AI 编程助手：你用一句话说清楚要做什么，它自己写代码、跑代码、把结果交给你。

假设一个博士生小李，手上有一篇论文要复现，也就是照着论文写的方法重做一遍，看能不能得出同样的结果。
他打开 Claude Code，让它帮忙分析数据。
跑是能跑，但三个地方会卡住。

第一，引文献不能编。
他让 Claude 找几篇相关论文，Claude 给了一批引用，标题作者期刊都像模像样，里面却可能混着根本不存在、查不到的条目。
审稿人一查就穿帮。
程序员写代码时也会碰到 AI 编一个不存在的函数名，但编译器一秒钟就会报错。
文献没有编译器，没人替你一秒钟查出来。

第二，数据不能出电脑。
他手上的病人数据有伦理审批，条款写明不能上传第三方服务。
Claude Code 虽然装在本地电脑上，但它干活时要不断联网，哪些东西发出去了、发到了哪里，科研流程管不到，数据边界说不清。

第三，三个月后审稿人问：这张图怎么来的？
他翻聊天记录，找到了当时的对话，但那段代码后来改过三次，环境也重装过，哪一版生成了最终那张图，说不清。
代码有 git，图没有。

这三件事，程序员写代码时也会遇到，但没那么要命。
代码跑错了重跑就是。
论文的图跑错了，可能是撤稿。

Open-Science 要解决的就是这三件事。
第二件最直接：它把项目、跑出来的图表报告（它统称为“产物”）、代码运行的中间文件，全放在你自己指定的本地文件夹里，设置里能看到位置和每一项各占多少空间，一个按钮换地方。
我这台机器上总占用 5.2 GB，其中几乎全部是它自己下载的 Python 和 R 运行环境，产物只有 2.7 MB，Notebook 6.0 MB，执行证据 1.7 MB。
它需要联网的只有三种情况：让 AI 模型思考、查公共数据库、下载软件包。
如果模型换成跑在自己机器上的开源模型，服务端也搭在自己单位里，连这三种联网都能收进内网。

图 1：设置里的存储页，数据位置在本地，分项占用，可更改位置

3. 拆解：引擎、模型，和它自己做的三件事

它到底是什么？一句话：Claude Code 当引擎，外面套了一层科研专用的壳。

它不自己造 agent，直接用现成的：Claude Code 本身就是一个 agent，你装好它，第一次启动的引导会扫描你机器上有没有 Claude Code，有就直接用。
我机器上装着，它识别出来了，路径都对。
设置里有一页叫“智能体框架”，四张卡片并排：Claude Agent、Codex、OpenCode、腾讯的 CodeBuddy，点一张就切。
连接走的是 ACP，一个 agent 之间互相通信的开放协议，所以换引擎不用改代码，接一个新适配器就行。

图 2：智能体框架页，四个引擎并排，Claude Agent 使用中

我真切了一次。
把引擎从 Claude 换成 Codex，加一个 Codex 订阅的模型服务商，主模型选 gpt-5.5，然后给它一个小任务：查一篇论文的元数据，再用 Python 画张分组示意图。
它跑完的总结第一句是：“我运行在 OpenAI Codex / GPT-5 系列模型上”。
调的是同一个 PubMed 连接器，同一套装包工具，同一个 Notebook，弹的是同样的审批卡片，产物存的是同一个地方。
壳没变，只是换了发动机。

图 3：Codex 引擎跑完的会话，自述引擎和模型，右下角 gpt-5.5

模型这层它也不管。
这里要分清两层：引擎是干活的那套程序，模型是引擎背后的大脑，两层都能换。
服务商类型下拉里有 27 种：Claude 订阅和 ChatGPT 订阅直接登录，不用另买 key；
官方接口有 OpenAI、Anthropic、xAI、DeepSeek；
国内的智谱、Kimi、MiniMax、阶跃、小米、商汤、火山方舟、阿里百炼、腾讯全在；
还有 OpenRouter 这类聚合网关和自定义网关。
派出去干子任务的 agent 和负责检查结果的审查员，还能各自单独指定模型，主 agent 跑 Claude，子任务跑 DeepSeek，都行。

那它自己干了什么？
三件事，正好对着前面小李卡住的三个地方。

第一，给 agent 塞科研专用的工具，对的是“文献不能编”。
36 个内置的科学数据连接器，PubMed、GEO、ChEMBL、ClinVar、PDB、AlphaFold 数据库这些，分别管着医学文献、基因表达数据、药物分子、致病变异、蛋白结构等公共数据库，包装成 300 多个可调用的工具，每个都能单独设权限。
AI 查文献、查数据，是真的去数据库里拿，不是凭记忆编。
23 个内置科研技能（加上 marketplace 里的 525 个，总共 548 个技能），技能就是写好的一整套操作流程，从文献综述到用 AlphaFold2 跑蛋白结构。
Python 和 R 的运行环境，它自己下载自己管，国内会自动走清华镜像。

第二，把 agent 的每一步录下来，对的是“这张图怎么来的”。
agent 生成一张图，它拦下来存成一个不能再修改的版本，附一串校验和，记录是哪段代码、哪个输入、哪个环境跑出来的。
这是它和通用编码工具最大的区别，后者一般没有这个概念。

第三，管边界，对的是“数据不能出电脑”。
Notebook 有网络沙箱和域名白名单，agent 每次要调工具、装软件包、切换环境、访问新网站，都弹一张审批卡片让你点允许还是拒绝，同一类操作批一次，这个会话里就不再问。
装包时它确实拦下过一个不在名单里的下载地址。

这层壳和 Claude Code 的关系，就像 VS Code 和编译器：编译器是别人的，但你的体验是 IDE 决定的。

4. 实测：跑一遍，再回头查账

说得再多不如跑一遍。
我给它一个真实任务：复现一篇 2014 年发在 PLoS ONE（一个综合性科学期刊）上的论文。

这篇论文研究的是：给气道平滑肌细胞用上地塞米松（一种常用的激素类药物）之后，细胞里哪些基因的活跃程度变了。
数据在 GEO（美国的公共基因数据库）上公开，编号 GSE52778，一共 16 个样本。
论文的核心结论是：一个叫 CRISPLD2 的基因在用药后显著上调，也就是活跃度明显升高。

我的要求分四步：先核实论文和数据集的基本信息；
再用 DESeq2（一个很常用的基因统计分析工具）做差异表达分析，就是把用药组和不用药组放在一起比，找出哪些基因变了；
然后出一张火山图和前 20 个变化最大的基因的表；
最后告诉我，CRISPLD2 在你的结果里是不是显著上调。

任务发出去，它第一步做的不是跑代码，而是先去核实论文。
它在一个 JavaScript 沙盒里写了一段代码，调 PubMed 和 GEO 两个连接器，把论文的 PMID、DOI（论文的两个身份证号）、期刊，以及 16 个样本各自是什么条件、用药没用药，全拉下来，整理成一张样本表。
右侧的 Notebook 面板实时显示它写的代码和返回的数据。
前面说的“文献不能编”，在这一步就体现出来了：信息是从数据库里拉的，不是它自己想的。

然后是装环境。
它自己建了一个 R 环境，装 DESeq2 和几个它依赖的软件包。
这一步我手动帮了一次忙，有一个数据包在沙箱里装不上，我在外面装好了。
其余全是它自己做的。

分析跑完，火山图出来了。
火山图是这类研究的标配图：每个点是一个基因，越往左右两边，变化幅度越大；越往上，结果越可信。
CRISPLD2 显著上调，log2 倍数变化 +2.63，约 6.2 倍，校正 p 值 4.7e-46，在一万八千个检验基因里排第 54。和论文结论一致。
翻译一下：用药后这个基因的表达量涨到了原来的 6 倍多，而且这个结果几乎不可能是偶然，校正 p 值就是衡量“偶然性”的那个数，越小越可信，4.7e-46 小到可以忽略。

图 4：它跑出来的火山图，CRISPLD2 已标注

它还给了一个我没要求的对比：它找到了 3994 个差异基因，论文报告的是 316 个。
差这么多，不是谁算错了。
它自己解释了原因：论文用的是另一个更早的工具 Cuffdiff，统计的粒度不同，还多加了两道筛选门槛（变化幅度要够大、表达量要够高），标准比 DESeq2 严得多。
同一份数据，筛子孔的大小不一样，筛出来的数量自然不同。
它自己加上变化幅度门槛之后，数量收敛到 1011 个。

跑完之后我点开溯源面板。
溯源就是顺着一张图往回查：它是哪段代码生成的，读了哪份数据，在什么环境里跑的。
面板上有六个标签。

代码标签是生成火山图的完整代码，读中间结果、标注 CRISPLD2、配色、阈值线，一行不少，顶上还有个按钮能导出成独立脚本，拿到别的电脑也能跑。
执行日志是每一段代码和它当时的真实输出，能整个下载成 Notebook。
环境标签记录了 R 版本、68 个软件包，还有一个可以下载的锁文件，就是把这 68 个软件包的精确版本号全部记死的清单，别人照着装就能得到一模一样的环境。

可复现性标签画了一张血缘图，也就是“谁生成了谁”的关系图：第 22 次运行产出中间结果，第 23 次运行读取它画出火山图。
它还写明这张图只依赖 23 次运行里的 2 次，其余 21 次无关，以后要重新跑一遍验证的时候，那 21 次可以直接跳过。

图 5：溯源面板的代码标签

图 6：溯源面板的血缘图

我又打开了它的审查员功能。
审查员是一个独立的 AI，不参与干活，只负责挑错，相当于给主 agent 配了一个审稿人。
它只能看到对话记录、执行日志和产物，看不到别的，还可以单独指定用哪个模型。
我让主 agent 再跑一轮复核，把三个核心数字从磁盘上重新读一遍，而不是凭记忆复述。
审查员给了五项检查，全部通过，每一项都附证据：引用被审的那次运行的编号和终端里的原文，逐个数字比对，连 2 的 2.63 次方等于 6.196 都自己验算了一遍。

图 7：审查员的检查卡片，每条附运行编号和终端原文

更有意思的在后面。
复核那一轮之后审查员又跑了一次，这回提了三条意见：报告开头一句被截断了；“300 字以内”这个要求没实际量过长度；跨轮次的一致性只靠记忆复述，没有用代码实际验证过。
主 agent 自动进入修正：补全开头句，写代码实测长度，从原始数据重新算一遍 DESeq2，把新结果和保存的结果逐项比对，允许的误差只有 1e-12，结果五项全同。
然后审查员重审，四项检查通过，每张卡片标着“处置结果：已解决”。

图 8：复核报告的综述标签，审查员四项检查、已解决

还有一条是主 agent 自己认的错。
复核数字的时候它发现上一轮算排名的那行代码写错了，打印出来的数字是无意义的，正确排名是 54。
它主动把这条标出来。
审查员专门去核了这一条，结论是：自述属实，错误只影响那一行打印，没有污染任何交付的数字。

这就是“每一张图都能追溯到生成它的那行代码”的实际样子。
小李三个月后被审稿人问起，点开溯源面板就行。

但审稿人不在小李的电脑前。
溯源面板再全，也只在这一台机器上。

5. 交接：一个 .science 文件，把整个研究过程带走

溯源面板解决的是“我自己能查账”。
审稿人、合作者、隔壁实验室想复现，需要的是把整个过程搬走。
Open-Science 给这件事定了一个文件格式：.science。

我把第四节那个会话导出了一次。
桌面窗口里，会话菜单 → 导出 → 导出会话包。
对话框只让你选一件事：精简导出，只带研究历史和必需证据；完整导出，再把所有可用文件都带上。
它预估了大小，21.7 MiB，下面一行提醒：分享前检查隐私数据。
我选完整导出，进度条走了四段，复制文件、验证包、压缩包、保存包，九秒，落盘一个 16.4 MiB 的文件。

图 9：会话菜单里的“导出会话包”，旁边就是“创建副本”

图 10：导出对话框：精简与完整两档，预估大小，分享前检查隐私数据

程序员会想拆开看看。
它是一个 gzip 压缩的 tar 包，解开是五样东西：manifest.json 是清单，每个文件的路径、类型、大小、SHA-256；
session.json 是对话，records.json 是 Notebook 的执行记录；
objects/ 目录下 85 个以哈希命名的文件，产物、中间结果、Notebook 缓存都在里面；
最后是 ro-crate-metadata.json，354 KB。

这最后一个文件值得多说两句。
RO-Crate 是科研数据打包的开放标准，用 JSON-LD 描述一个数据集里有什么、谁做的、怎么做的，Galaxy、WorkflowHub 这些平台都在用。
Open-Science 从 0.33 版起把整个会话的溯源写成 RO-Crate 1.1。
我这个包里有 425 个实体：88 个文件；
79 个 CreateAction，是 31 次 Notebook 运行按产物各记了一遍；
3 段 SoftwareSourceCode，火山图、Top20 表、复核报告各自的生成代码；
3 份环境快照，R 4.5.3、macOS arm64、68 个软件包的版本；
还有 4 个 AssessAction 和 16 条 Review，就是审查员那几轮检查，13 条 pass，3 条 warn，warn 的那三条正是第四节里它提的三条意见，连“pass: 三个核心数字与执行输出一致”这样的原文都在。
生成产物的 Claude Code、做审查的 claude-fable-5-1，都以 SoftwareAgent 的身份写在里面。
换句话说，不装 Open-Science，随便一个能读 JSON-LD 的工具也能把这个研究过程翻出来。

清单里还有一行 omissions：账号凭据、权限授权、模型服务商的续接标识，一律不打包。
包里自带的 README 只有三句话，最后一句是：校验和只验证字节，不验证科学结论，也不验证发送者身份。

然后我扮演接收方。
新建一个项目，项目菜单 → 导入 Session 包，选中那个文件。
它先解包检查，给出预览：1 个分支、51 条消息、85 个文件，未压缩 22.1 MiB，“未包含”那一栏列的就是上面那三样。
对话框顶上一句：导入会创建新的只读会话，不会自动运行代码。
点导入，五秒。

图 11：导入预览：1 个分支、51 条消息、85 个文件，未包含凭据

导入进来的会话，侧栏带一把锁。
对话、火山图、Top20 表、复核报告全在，点开火山图的溯源面板，代码、执行日志、环境、血缘图，和发送方那边一样。
只有一处不一样：可复现性标签顶上多了一行“这些记录由导入包提供，当前环境尚未重新执行检查”，验证状态是“尚未验证”。
也就是说，包里带的检查记录是发送方的记录，接收方的 App 不替它背书，你要它变成“已验证”，得在自己的机器上重跑一遍。
这个边界划得对。

图 12：导入后的只读会话：侧栏带锁，底部“已导入的研究记录”，火山图和产物都在

图 13：导入侧的可复现性标签：记录由导入包提供，尚未验证，血缘图完整

只读会话下面有一个按钮：创建副本以继续。
点了之后它复制所有分支和研究数据，十六秒，生成一个可编辑的新会话，历史、文件、溯源全部继承，只有模型要你自己选，因为包里不带服务商身份。
从这里开始，接收方可以接着问、接着跑、接着改。

图 14：创建副本之后：一个可编辑的新会话，原件仍然只读

小李把这个文件发给审稿人，审稿人在自己的电脑上导入、创建副本、重跑第 22 和 23 次运行，火山图就在他自己的机器上长出来了。
这就是“研究过程开源”落到实处的样子：开源的不是一份代码，是从提问到出图的整条链。

6. 深挖：它为什么禁掉 Claude Code 的原生工具

给程序员讲一个细节。
Claude Code 原本自带几只“手”，能自己派帮手、执行命令、翻文件，Open-Science 把它们全捆了，换成自己的手，这样每一步才能记账。
下面是它怎么捆的。

Open-Science 启动 Claude Code 的时候，传给它的启动参数里有这么一段：

--disallowedTools Agent,Task,Workflow,SendMessage,TeamCreate,TeamDelete,Bash,Glob,Grep
--permission-prompt-tool stdio

第一行是一张禁用清单。
Agent、Task、Workflow，是 Claude Code 自带的“派帮手”功能，全禁了。
Bash、Glob、Grep，是 Claude Code 最基本的三个工具，也禁了。

为什么？

因为它要自己接管。
代码里有一道检查，确认 Claude Code 原生的派帮手功能全部关闭，才允许开启它自己的委派功能。
主 agent 想派子任务，只能走 Open-Science 自己提供的接口，由它另起一个新的 agent 进程当专项帮手，跑完把结果和产物交回来。
子任务有持久化记录，中断了能接着跑，可以中途向用户提问，最多 4 个同时进行。

Bash 也一样。
agent 想跑任何命令，只能走它自己的 Notebook 工具。
这条路上有网络沙箱，有审批卡片，有执行记录。
而 Claude Code 自带的命令执行没有这些约束，一旦绕开 Notebook，溯源链就会断一环。

第二行参数是另一半。
Claude Code 每次要权限，不是在自己的终端里问你，而是通过标准输入输出回传给 Open-Science，由它弹审批卡片。
你在界面上点的每一个“允许”，都经过它的手。

换句话说，它把 Claude Code 的手全换成了自己的手。派帮手、执行命令、翻文件、要权限，全部收编。
这样每一步才能记账，溯源面板里的那些东西才有来源。

代价是灵活性。
子 agent 和主会话绑死同一个引擎，主会话用 Claude Code，子 agent 也是 Claude Code，不能像有些人搭的多 agent 系统那样让 Claude 指挥 Codex。

这是一个明确的取舍：牺牲灵活性，换可控和可追溯。对科研这个场景来说，选对了。

7. 边界：现在还做不到的事

它有几处短板，写在这里，读者装了去试不会觉得被骗。

内置的 23 个科研技能，大头是蛋白质结构和单细胞分析：AlphaFold2、Boltz、ESMFold、scGPT、scvi-tools。
项目公开的路线图里写得很清楚，今天的领域范围是生命科学。
别的学科要自己写技能，它有一个技能创建器，用自然语言描述就能生成，但没现成的。

可复现性做到了“能查账”，“能重跑”刚起步。
这是两回事：查账是拿出证据证明这张图当时是怎么来的；重跑是照着当时的配方再做一次，看能不能得到一模一样的结果。
最近的版本加了重跑验证，按封存下来的代码、数据和环境配方，在一个干净的隔离环境里再跑一遍，然后一个文件一个文件地比对。
但这个功能目前只在桌面窗口模式下可用，网页和无头模式里那个按钮是灰的，.science 的导出、导入和创建副本也是桌面窗口的功能。
包里带的检查记录只是发送方的记录，接收方那边会标成“尚未验证”，要自己重跑一遍才算数。
它的路线图自己也承认：能保留能证明的证据，还不能保证重跑得到完全相同的输出。

装完要配五步：环境检查、数据位置、选引擎、选模型、装 Python 和 R。
说“新手也能上手”有点勉强，但对会用 Claude Code 的人来说不是问题。
国内网络环境下，运行环境的下载走的是海外 CDN，挂了代理的机器可能要调一下。
换 Codex 引擎要走 ChatGPT 的设备码登录，账号安全设置里那个开关默认是关的，得先打开。

这些它自己都写在文档里了。
一个项目肯主动列自己的边界，前面那些话反而更可信。

8. 补充：远程算力、命令行与下载

还有两样东西我没跑，但程序员会感兴趣。

一是算力能甩到远程。
预测蛋白结构这类重活，普通电脑跑不动，得用带显卡的机器。
设置里注册一台带 GPU 的机器，或者一个 Slurm 集群，agent 自己把任务提交过去，跑完自动把结果拿回来分析，不用你写轮询。
AlphaFold2 那些技能本来就是给这个准备的。

二是有 headless 模式和命令行。
它能不开窗口只跑后台服务，所有操作走一个 open-science 命令，或者一个零依赖的 Node.js SDK。
我这次测试后半段就是用命令行发的任务，跑完直接把产物下载下来：

open-science run --project <项目> --prompt-file task.md --wait --json
open-science artifacts download <产物 id> --output volcano.png

塞进脚本里批量跑，或者接进 CI，都行。

最后说数据。
项目首页挂着一张成绩表：在项目方自供的 BiomniBench-DA Public-50 对比中，录得 79.05 分，用的是 gpt-5.6-sol 这个模型，不是 Claude。
这是一套公开的生物医学数据分析测试题，让 AI 做题，由两个模型当评委打分取平均。
需要说明的是，这个分数是项目方自己跑、自己汇总的对比，数据集官方页面上没有公开排行榜，引用可以，但要清楚它是自报的。

它是 Apache-2.0 开源，macOS、Windows、Linux 三个平台都有安装包，macOS 一条命令：

brew install --cask open-science

仓库在 github.com/aipoch/open-science，官网 aipoch.com/open-science，推特 @aipoch_ai。

它的用户也不只是实验室里的人。
一个本科生想复现一篇论文，不用先学会配 R 环境和调 DESeq2 的参数：装上它，把论文和数据集编号给它，过程它跑，账它记，跑完导出一个 .science 文件交给导师看。
任何对研究感兴趣的人都能这样从一篇论文开始。
这大概就是 Science, Open to All 的意思：科学不只是结论对所有人公开，做出结论的过程也是。

如果你手上有 Claude Code 订阅，又有实验室的朋友总问你“能不能帮我跑个分析”，装上它，把电脑推过去就行。