破解科研双痛点，ScienceDiscovery AI科研工作台发布

针对当前科研领域的核心痛点，一款名为ScienceDiscovery的一站式AI科研工作台正式推出。该平台基于Agent OS开发，面向跨学科全流程的科研场景，能够有效解决工具碎片化与大模型科研幻觉两大行业难题，助力科研人员加速科学发现进程，目前已在纳米抗体药物设计等多个关键领域实现落地应用，并在权威生物医学智能体基准BiomniBench-DA任务中取得业界领先的成绩。

当前AI辅助科研的核心困境

智能体技术的发展重塑了传统科研流程，成为AI辅助科研的全新范式。在该模式下，智能体可以负责任务规划、方案生成、流程执行等全流程工作，大幅提升传统科研的效率。但受限于传统科研领域的复杂性与当前大模型的能力边界，AI辅助科研仍面临两大核心痛点，制约了其在实际工作中的落地：

• 工具碎片化

科研全流程涉及文献检索、假设构建、代码编写、实验调试、参数优化等多个环节，传统模式下科研人员需要频繁切换多个独立工具，不仅流程繁琐，还会产生极高的时间成本。

• 科研幻觉

由于大模型本身存在固有幻觉问题，在复杂长链条的科研任务中，AI辅助工具容易出现文献引用错误、因果推导偏差、实验流程造假等问题，严重破坏科研的可复现性与严谨性，制约了技术的落地转化。

ScienceDiscovery：打通全流程的AI科研工作台

ScienceDiscovery专为科学研究场景打造，依托该平台，科研人员可以一站式完成从文献阅读、假设提出、代码编写、实验试错到参数调优的完整科研探索流程，无需在多个平台间反复切换。基于该平台，用户可以实现以下核心功能：

• 海量资源一键配置与高效接入

通过平台内置的科研数据库连接器，用户可以快速完成文献库与科研数据库的配置，一键获取海量前沿学术文献与核心实验数据。

• 安全沙箱环境下的自主代码探索

支持智能体在完全隔离的安全沙箱环境中自主编写、调试并运行Python、R或Shell代码，为复杂科学数据处理提供稳定可靠的执行环境。

• 复杂科研任务的自动拆解与动态执行

依托强大的任务规划与多智能体协同能力，系统能够自动拆解复杂科研任务，动态编排并调用超过300个跨领域的专业技能模块，完成全流程执行。

• 科研流程全链路可溯源

平台会完整记录并展示全流程工作流，同时提供包含代码、运行环境、执行日志在内的全链路产物溯源能力，确保科研全流程的高可信度与可追溯性。

v0.1版本的三大核心技术支撑

此次发布的v0.1版本，构建了三大核心技术体系，全面解决当前AI辅助科研的痛点：

• 基于MCP构建科研连接器，实现碎片化工具即插即用

基于标准化MCP协议构建可插拔的连接器模块，统一封装文献检索、PDF文档抽取等各类工具接口，集成鉴权、缓存等治理能力，新增数据源只需遵循规范即可无缝接入平台。

• 构建高维结构化记忆图谱与多维审核机制，实现零科研幻觉

通过高维结构化记忆图谱严格维护任务时序与产物证据链，结合零幻觉评审员多级审核机制，确保每条科研结论都能沿图谱完整追溯，实现全流程100%可溯源。

• 集成多领域300+专业技能，实现多领域科研工作流自动化执行

构建多层次的科研技能模块，实现复杂任务的智能编排与自主执行。通过规划技能与团队技能精准解析用户意图，自动匹配最优工作流并动态拆解执行；平台集成了MindSpore Science技能库中的300+开箱即用技能，包括领域工业软件、科研搜索API、40+顶尖AI模型，全面覆盖生物医药、化学材料、流体计算、偏微分方程等核心前沿学科，覆盖科学分析、计算仿真、湿实验等基础科研需求。

v0.1版本还预置了专为生化领域设计的团队技能，能够自主完成从数据搜集、生化实验数据分析到报告撰写的全流程。在权威生物医学智能体基准BiomniBench-DA任务中，基于GLM-5.2模型的测试得分达到77.4，位居业界领先水平。

实际落地应用案例

生物医学数据分析案例：脓毒症病例特征挖掘

本次案例以BiomniBench-DA中的脓毒症患者病例数据分析任务为例。脓毒症是ICU常见的致死性疾病，且存在显著的同症异机现象。本次实验基于约3948例ICU与住院脓毒症患者的多队列数据，对六大分型框架衍生的38项免疫特征评分进行相关性与层次聚类分析，旨在挖掘潜在关联规律，识别协同变化的特征组合。

ScienceDiscovery接收任务数据与核心需求后，自主组建了由代码工程师、结果评审员、报告撰写员组成的智能体团队，执行以下工作流：

1. 代码工程师计算各特征评分在患者间的两两相关性，完成层次聚类并识别聚类群，生成热图、树状图及聚类归属文件；
2. 结果评审员从方法论严谨性、结果正确性、分析稳健性等多维度审核分析结果；
3. 报告撰写员综合所有分析结果，按照要求输出完整的运行轨迹文件与最终结果文件。

最终智能体将38项分型特征划分为“髓系炎症/疾病严重度”与“适应性/淋巴系保护性”两大显著反相关的聚类轴，并通过轮廓系数与ARI指标验证，揭示了脓毒症免疫失调的核心双轴结构。同时平台完整记录了任务执行轨迹与任务图谱，用户可以通过trace.md串联各智能体产物实现溯源，通过底层日志确认过程可复现，通过节点边关系直观查看三个智能体的任务拆解与协同过程。

生化领域应用案例

纳米抗体药物设计与筛选流程

纳米抗体因分子体积小、稳定性高、易于改造等特点拥有广阔的应用前景，但传统研发流程周期长、成本高昂。RFAntibody是当前主流的纳米抗体设计流程，能够自动生成候选纳米抗体并完成多维度筛选，流程涵盖抗原准备到报告整理的多个环节。

ScienceDiscovery通过自动调用MindSpore Science提供的RFDiffusion、ProteinMPNN、Protenix等模型，无缝串联复杂的计算工作流，最终输出包含筛选信息与空间结构的辅助决策报告，而非零散的独立文件。完整的纳米抗体设计筛选流程分为五个阶段：

1. 环境准备：校验运行环境、依赖包与权重文件，确认抗原结构与设计约束完备；
2. 骨架生成：基于输入的抗原与表位信息，通过RFDiffusion生成候选纳米抗体骨架；
3. 序列设计：利用ProteinMPNN对生成的骨架进行反向折叠，设计对应的氨基酸序列；
4. 复合物预测：通过Protenix预测抗原-抗体复合物结构，评估结合构象的可信度；
5. 筛选报告：综合ipTM等指标与多维度筛选标准进行排序，筛选出最优候选并生成完整报告。

目前ScienceDiscovery已经可以完整运行RFAntibody的抗体设计流程，用户只需输入抗原、表位与设计数量，智能体即可自动监控并完成全流程设计筛选，设计成功率与单独运行RFAntibody保持一致。

肝实质细胞基因表达跨库调研与通路分析

该案例属于跨库文献调研任务，要求智能体检索PubMed与bioRxiv在2023-2025年间发表的论文，对比成人与儿童肝实质细胞的基因表达差异，聚焦免疫通路，生成前14条富集通路的基因计数对比柱状图并标注文献中的矛盾观点。这类任务通常需要耗费数天时间，且容易出现文献遗漏的情况。

ScienceDiscovery通过工具编排实现了端到端的自动化执行：调用文献搜索连接器工具并行查询多个数据库，利用大模型理解文献内容并调用代码工具完成富集分析与绘图。整个执行过程会结构化记录在记忆图谱中，形成可追溯的任务链，报告阶段还会主动查询真实引用链路，确保所有论述都有依据。最终输出的报告带有可点击的引用标签，用户点击即可查看具体的引用来源文献与执行链路，实现快速核验。

通用科研场景覆盖

研发团队正联合领域科学家与行业专家，持续推进ScienceDiscovery的通用科研任务能力建设，覆盖化学反应模拟、材料性能预测、流体仿真、地质勘探、电磁仿真、数学证明、数值计算等基础科研领域。同时面向矿藏勘探、半导体设计、民用航空设计、电池材料研发、核聚变发电、疾病诊疗、遥感分析、工业控制、睡眠健康等多个产业落地场景开展深度合作。

例如在IMO2026 Day2第五题的函数不等式求解任务中，ScienceDiscovery首先对候选解进行合理猜想并代入原题验证，确认猜想函数满足条件；随后对原始不等式进行代数化简，推导出约束更强的函数方程；再通过换元变形、代入特殊取值、构造矛盾命题等推理手段，逐一排除其余候选可能性，最终锁定问题的唯一解。

未来演进规划

未来，ScienceDiscovery将持续向具备自主进化能力的跨学科科研平台演进。平台将内置RSI能力驱动智能体实现持续自我迭代，并构建强大的启发式探索引擎，通过多路径搜索破解复杂科学问题。此外，系统将深度接入生化、材料等多领域的专业知识图谱，实现跨学科探索能力，为药物设计、新材料设计等场景提供更高效的联想推理与知识溯源能力。

社区共建邀请

我们欢迎所有开发者、科研人员与领域专家参与平台的共建工作，可通过提交issue的方式提出反馈或贡献内容，我们将持续迭代优化平台功能。ScienceDiscovery的代码仓库地址：

• GitCode：https://atomgit.com/openJiuwen/sciencediscovery
• Github：https://github.com/openJiuwen-ai/sciencediscovery

💡 一起，共创科研新范式。