美国刚发科研 AI，开源 3 天就复刻OpenScience :国内这次不用被卡脖子

对科研团队，这意味着原本要一个博士生忙好几天的文献调研和数据处理，压缩到一次对话。对投资人，这意味着一个信号：大模型公司正在从"什么都能聊的通用助手"，转向"扎进某个行业的垂直工具"，而生命科学是他们盯上的下一个高价值战场。这篇文章要拆的，就是这个信号背后的门道。

事情的起点是时间差。6 月 30 日，Anthropic 发布 Claude Science，一款面向科学家、尤其对准药企研发的 AI 科研工作台。3 天后的 7 月 3 日，一个叫 OpenScience 的开源项目出现在 GitHub 和 npm 上，定位写得毫不遮掩：Claude Science 的开源同构版。到 7 月 6 日，它的 star 已经涨到 119。

01它到底强在哪，又"第一"在哪

OpenScience 由一个叫 Synthetic Sciences 的团队开发，Apache 2.0 协议，TypeScript 写成，用 npm 分发。给它一个科研目标，它读相关文献、提出假设、写代码、在真实算力上跑实验、查主流科学数据库，最后把结果连同可复现的代码一起写成报告。整个过程在浏览器里的一个工作台完成，文件树、编辑器、终端、会话历史都在一个网页里，分子、蛋白结构、基因组、图表能内联渲染出来。

具体的料有三块。一是约 30 个科学数据库被做成 agent 能直接查的工具，UniProt、PDB、Ensembl、ChEMBL、PubChem、arXiv、OpenAlex、Semantic Scholar 这些蛋白、基因、化合物、论文的主流库都在。二是 250 多个科研 skill，覆盖从模型训练（DeepSpeed、PEFT、TRL）、评测、数据集处理，到化学信息学、LaTeX 出图、云算力调度（Modal、Tinker）。三是分角色的 agent 编排，默认一个通用 research agent，另配 biology、physics、ml 三个专家，外加一个做批评的 critique 子 agent、一个做文献综述的子 agent，还有一个只读的 plan 模式先给你看计划再动手。

它的"第一"不在于参数或模型，而在于路线。在公开信息里，它是开源阵营第一个把 Claude Science 那套完整的科研工作台，做成模型无关同构版的项目。任意 provider 的 key 都能接，Anthropic、OpenAI、Google 以及几十家其它厂商都行，不用注册账号，自带 key 这条路永久免费。它卡住的位置，是"科研 agent 必须绑定某一家闭源大模型"这个默认被打破的那个点。

02把它放进历史里看，这是一套可预测的节奏

判断一个项目值不值得关注，光看它本身不够，要看它在一串同类项目里处在什么位置。

它最直接的参照是 webbrain。那是一个开源、模型无关的浏览器 agent，同一套扩展能换 15 家以上的模型，本地小模型也能零 key 跑，定位是 Anthropic 那款 Claude for Chrome 的开源平替，眼下 217 star。webbrain 对浏览器做的事，OpenScience 对科研原样做了一遍：Anthropic 发一个闭源的垂直 agent，开源社区就怼出一个模型无关的同构版。一次是巧合，两次落在不同赛道上，就说明这是一套可以预测的产业节奏。这一点对判断趋势的人比项目本身更值钱。

再往上一层，它属于"全流程工作台"这一类打法，和 text-to-cad、Jellyfish 同宗。text-to-cad 用 11 个 skill 把硬件从一句话做到可制造的 STEP 文件，如今 7617 star；Jellyfish 把 AI 短剧从剧本做到成片。它们和 OpenScience 的共同点，是都不去卷单点的生成质量，而是卷"把一个完整职业的活儿流程化、可追踪化"。谁能把最难的那个环节当成头等问题来解，谁就立住了。对 text-to-cad 是几何正确性，对 Jellyfish 是分镜一致性，对 OpenScience 是结果可复现和引用可核查。

优势说完，劣势得单独摆出来。OpenScience 开源刚 3 天，119 star，生态、稳定性、真实科研产出都还没经过检验。更硬的一条是它的 README 白纸黑字写着：agent 没有沙箱，那套权限系统只做"让你知道 agent 在干什么"，不是隔离边界。一个能自己写代码跑实验的东西没有隔离，凭兴趣玩没事，真拿它碰敏感数据或跑正经项目，必须自己套容器或虚拟机。相比之下，Claude Science 跑在 Anthropic 自己那套受控环境里、有大厂背书，机构用户会更放心。

配图1：同一套打法正在一个个赛道上重演，闭源垂直 agent → 开源模型无关同构版

03技术创新的底层逻辑，不在模型，在这三层

对深度用户，真正要看的是它凭什么成立，而不是它有多少功能。拆开看，创新集中在三个工程层，而不是某个模型能力。

第一层是 harness engineering，也就是工具调度框架。OpenScience 本质是一个 research harness，README 的说法是 agent 用一套科研 harness 做规划，再去调 shell、编辑器、LSP、MCP 服务、科学连接器和 skill。那 250 多个 skill 是工具层，30 个数据库是连接器层，agent 只在当前任务需要时才加载对应的参考，不把所有东西一股脑塞进上下文。这套"薄封装加渐进式加载"的思路，和 text-to-cad 只加载当前任务所需参考文档是同一个打法。价值不在模型多聪明，在这层调度设计得好不好。

第二层是 loop engineering，自我反复的循环。读文献、提假设、写代码、跑实验、分析、写作，这一整圈在一个会话里连着跑完。关键是它内建了自我纠错：critique 子 agent 专门挑毛病，一个独立的事实核查环节去检查引用和计算对不对，只读的 plan 模式让 agent 先摆计划再动手。这跟专门研究 agent 循环的 loop-engineering 项目那套"先出报告、再辅助、最后放权"的分级思路一脉相承，把人工逐条催 agent 干活，换成一套会自己盯着自己的循环。

第三层是架构和模型策略。角色分工加 plan/act 分离已经是不错的工程，但最要命的一手是 per-request 的模型路由：每一次请求都能切换不同 provider 甚至本地模型。这就是"模型无关"在架构层真正的落地。它带来一个绑定单一模型的产品拿不到的结构性好处：OpenScience 吃的是整条前沿模型曲线的红利。不管哪家的模型下一次变强，Anthropic、OpenAI、Google 还是国产的 Qwen、DeepSeek，它一行代码不改就跟着变强。押注单一模型的产品，只能吃一家的进化速度。这一条，是开源同构版能长期跟大厂掰手腕的底气。

有一点别夸大：它靠的是 critique 和重规划这类由结果验证的循环，不是模型自训练式的自我进化。诚实讲，这还是"人在环里把关"的自动化，不是自己会变聪明的 agent。

配图2：创新不在模型，在 harness / loop / 模型无关架构 三个工程层

04想上手，一步一步照着来

它的运行门槛低得出乎意料，命令可以直接抄。

全局安装再打开工作台：

npm install -g @synsci/openscience openscience

敲完 openscience，工作台在浏览器里自动打开。不想全局安装，一条 npx synsci 同样能起。第一次运行会有个简短引导，让你选择怎么给模型供能：用它的 Atlas 托管模型、填自己的 provider key、或者先跳过用免费 demo 模型试。

配一个 key 就能真跑，任意一家都行：

export ANTHROPIC_API_KEY=sk-ant-...   # 或 OPENAI_API_KEY / GEMINI_API_KEY 任选其一 openscience ~/code/我的课题            # 在指定项目目录里打开工作台

你的 key 留在本机，请求直连 provider。开发自建要用 Bun 1.3 以上。唯一必须记住的坑还是那句：它没有沙箱，认真跑就先丢进容器或虚拟机里。

05商业化：这门生意的钱从哪来，普通人能怎么切

先看项目自己的模式。OpenScience 走的是 open-core：自带 key 永久免费做口碑和分发，另有一个叫 Atlas 的托管平台负责计费，给你一批预付费的前沿模型、持久的研究图谱和云算力。开源负责铺开，托管负责收钱，这是这几年开源 AI 工具验证过的漏斗。

对想在这波里赚钱的人，有三个具体可落地的方向。

一是私有化部署加合规咨询，这是最肥的口子。药企、医院、CRO 的科研数据依法不能出内网，而 OpenScience 恰好能跑在机构自己的基础设施上、敏感数据不离场。围绕这一点做"私有化部署加数据合规加领域 skill 定制"的项目制服务，本质是 Palantir 在政企那套打法搬到生命科学。第一步不难：锁定一个细分场景，比如单细胞分析或临床数据处理，做一套能演示的 demo 去谈第一个客户。

二是卖垂直 skill 包和连接器。250 多个 skill 可扩展，官方给了 TypeScript SDK。为某个高价值细分做深度 skill 包，比如药物 ADMET 预测、专利检索、监管文档生成，按订阅或按调用收费。护城河是领域 know-how 和数据接口，不是模型，所以不怕大模型降价。

三是做中国版的托管平台。接国产模型、国内科学数据库和合规算力，把 Atlas 这条路在国内再走一遍，服务那些没有 HPC、又碰不到 Claude 的中小实验室和科研院所。模型无关这个特性，让国产模型可以直接插进来，这是绕开"没有 Claude"的现成路径。

06项目来源，自己上手核实

• ▪
  GitHub 仓库：github.com/synthetic-sciences/openscience
• ▪
  官网与文档：openscience.sh 、openscience.sh/docs
• ▪
  npm 包：@synsci/openscience（npx synsci 一步起）
• ▪
  对照的闭源产品 Claude Science：anthropic.com/news/claude-science-ai-workbench
• ▪
  消息源，AIGCLINK 的原推：x.com/aigclink/status/2073942428189622611

07站在全球和产业链上，这件事的分量

把镜头拉到最大，这个开源项目照出的是一场正在发生的价值迁移。

全球格局上，美国三家大模型公司都在从通用助手转向垂直工具。Anthropic 增长最猛的产品是面向程序员的 Claude Code，不是通用聊天；OpenAI 把重心从消费者挪到企业，用 Codex 正面对刚；Google 和微软带着云和现金挤进编程 AI。而每当闭源大厂定义一个新的垂直 agent 形态，一个模型无关、往往天然兼容国产模型的开源同构版，几天到几周内就会出现。这说明一件事：模型本身正在商品化，真正的护城河不在"谁的模型强"，而在分发、垂直深度和专有数据。

产业链上，价值正在分层迁移。最底下的模型层在打价格战、在被商品化；往上一层的 harness 和工作流层，成了新的价值捕获点，谁掌握了某个行业的工作流入口，谁就掌握了用户；再往上的垂直数据、算力和 skill 层，才是最终能立住的护城河。OpenScience 这类开源工作台，恰恰把中间的工作流层也一起商品化了，于是价值被进一步推向两端：上游的专有算力，和下游的专有数据与领域产出。

配图3：价值正从模型层迁移到工作流层和垂直数据层

落到生命科学，这条链就是上游算力和模型、中游科研工作台、下游药企和 CRO 和实验室。为什么大模型公司都盯上这里，因为账算得清。新药研发是出了名的烧钱，业界叫它"双十困局"，一款新药平均要花约 26 亿美元、耗时 12 到 15 年，5000 个临床前化合物里最后大概只有 1 个能获批。据业界估算，AI 辅助能帮药企每年省下约 540 亿美元、在主要环节砍掉四到六成时间。市场机构 GMI 预测，到 2032 年全球 AI 制药市场规模会突破 194 亿美元，年复合增长率接近 30%。付费能力最强、可被 AI 改造的空间最大、目前真正入局的还不多，这三条凑在一起，就是最肥的战场。这也是为什么 Anthropic 一边发 Claude Science，一边自己下场做药物发现，专挑传统药企不愿碰的冷门病。

配图4：生命科学为什么是高价值战场，双十困局与市场规模

对中国是一个结构性机会。模型无关意味着 Qwen、DeepSeek 这些国产模型能立刻插进这套开源工作台。国产模型加开源 harness 加本土科研数据加合规算力，是一条不依赖任何一家美国大模型、也能把 AI for Science 跑起来的路。谁先在国内把这套工作流的入口和垂直数据攥在手里，谁就卡住了下一轮的位置。