ScienceDiscovery 是基于 Agent OS（JiuwenSwarm）开发的一款面向跨学科、全流程科研场景的一站式 AI 工作台，解决科研场景面临的工具碎片化、大模型科研幻觉两大痛点问题，打造 AI 辅助科研新范式，加速科学发现，广泛应用于各行各业。在行业权威的生物医学智能体基准 BiomniBench-DA 任务中，ScienceDiscovery 验证效果业界 SOTA，成功应用于纳米抗体药物设计等关键领域。
1 AI 辅助科研的痛点问题
Agent 的发展重塑了传统的科研流程，成为 AI 辅助科研的新范式。在该范式下，Agent 负责科研任务规划、方案生成、任务执行等全流程工作，可以极大提升了传统科研效率。但是，由于传统科研领域的复杂性和当前大模型能力的局限性，AI 辅助科研面临两大痛点问题，制约了其在实际科研工作中的应用：
问题一：工具碎片化，科研全流程链条长、工具多，科研人员开展文献阅读、假设提出、代码编写、实验试错、参数调优等工作，需频繁切换多个平台，流程繁琐、时间成本极高；
问题二：科研幻觉，由于大模型本身存在幻觉问题，对于复杂、长链条的科研任务，AI 辅助科研易出现文献引用、因果推导、实验流程造假等错误，严重破坏科研工作的可复现性与严谨性，制约科研落地转化。
2 ScienceDiscovery：一站式 AI 科研工作台
我们正式推出 ScienceDiscovery—— 专为科学研究打造的一站式 AI 科研工作台。依托该平台，科研人员能够一站式高效完成 “文献阅读、假设提出、代码编写、实验试错、参数调优” 这一极为繁琐的科研探索流程。
基于 ScienceDiscovery，用户可以完成以下功能：
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 Connector，实现文献库与数据库的一键快速配置，快速获取海量前沿文献与核心试验数据；
安全沙箱环境下的自主代码探索：支持智能体在安全隔离的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环境；
复杂科研任务的自动拆解与动态执行：凭借强大的任务规划与多智能体协同能力，系统可自动拆解复杂科研任务，动态编排并调用 300 + 跨领域 Skills ；
科研流程全链路可溯源：平台将完整展现全流程工作流，并提供包含代码、环境和日志在内的全链路产物溯源，确保科研全流程的高可信度。
3 ScienceDiscovery v0.1 版本核心技术
ScienceDiscovery 此次发布 v0.1 版本，构建了以下三大核心技术：
基于 MCP 构建科研 Connector，实现碎片化工具即插即用
ScienceDiscovery 基于标准化 MCP 协议构建可插拔 Connector，统一封装文献检索、PDF 抽取等工具接口，集成鉴权、缓存等治理能力，新增数据源遵循规范即可无缝接入。
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 Reviewer 多级审核机制，确保每条科研结论均可沿图谱追溯，实现全流程 100% 可溯源。
集成生物、化学、流体等领域 300+Skills，实现多领域科研工作流自动化执行
构建多层次科研 Skills 以实现复杂任务的智能编排与自主执行。通过 Plan Skills 与 Team Skills 精准解析意图，自动匹配最优工作流并动态拆解执行；平台集成 MindSpore Science Skills 中 300 + 开箱即用 Skills，包括领域工业软件、科研搜索 API、40 + 昇思与昇腾 AI4S 顶尖模型。这些 Skills 全面覆盖生物医药、化学材料、流体计算、偏微分方程（PDE）等核心前沿学科，覆盖了科学分析、计算仿真及湿实验等基础需求。
ScienceDiscovery v0.1 版本预置了专为生化领域设计的 Team Skill，可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。在行业权威的生物医学智能体基准 BiomniBench-DA 任务中，基于 GLM-5.2 模型，评测分数达到 77.4（图 1），达到业界 SOTA。
图 1 BiomniBench-DA 打榜结果
4 应用实践
4.1 BiomniBench 打榜案例 —— 脓毒症病例数据分析与特征挖掘
本案例以 BiomniBench-DA 中的脓毒症患者病例数据分析问题为例：
脓毒症是 ICU 常见致死病，同症异机现象显著。本案例基于约 3,948 例 ICU 与住院脓毒症患者的多队列数据，对上述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 接收上述数据及核心问题，自主分析问题并组建由 code-engineer、result-evaluator、report-writer 构成的 agent 团队（图 2），执行如下工作流：
code-engineer 计算各特征评分在患者间的两两相关性，进行层次聚类、识别聚类群，并生成 heatmap、树状图及聚类归属文件；
result-evaluator 从方法论、正确性与稳健性等多维度审核分析结果；
report-writer 综合分析结果，并按要求输出运行轨迹文件与结果文件。
图 2 Subagents 执行过程
图 3 特征相关性 heatmap
图 4 38 个免疫评分指标在 3948 名患者身上的 “相似度”
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，并经轮廓系数与 ARI 指标验证，揭示了脓毒症免疫失调的核心双轴结构。
图 5 查看输出报告
图 6 查看产物溯源代码、环境、日志
图 7 查看产物相关 code、claim 等节点
为验证多智能体协作在数据科学工作流中的有效性，我们展示了 ScienceDiscovery 在分析任务中的执行轨迹与任务图谱。图 5 以 trace.md 串联各 Agent 产物，支持点击溯源；图 6 记录底层日志，确保过程可复现；图 7 通过节点边关系，直观呈现三 Agent 的任务拆解与协同。
4.2 生化领域案例
4.2.1 纳米抗体药物设计 + 筛选流程
纳米抗体因分子小、稳定性高、易改造等特点应用前景广阔，但传统研发周期长、成本高。RFAntibody 作为主流设计流程，可自动设计候选纳米抗体并多维度筛选，流程涵盖抗原准备至报告整理七大环节。
ScienceDiscovery 通过自动调用 MindSpore Science 提供的 RFDiffusion、ProteinMPNN、Protenix 模型，无缝串联复杂计算工作流，最终输出含筛选信息与空间结构的辅助决策报告，而非零散文件。
图 8 纳米抗体设计流程
完整纳米抗体设计筛选流程分为五阶段（图 8）：
环境准备：校验运行环境、依赖及权重文件，确认抗原结构与设计约束完备。
骨架生成：基于抗原及表位输入，通过 RFDiffusion 生成候选纳米抗体骨架。
序列设计：利用 ProteinMPNN 对骨架进行反向折叠，设计对应氨基酸序列。
复合物预测：通过 Protenix 预测抗原 - 抗体复合物结构，评估结合构象可信度。
筛选报告：综合 ipTM 等指标及多维度标准排序，筛选最优候选并生成报告。
ScienceDiscovery 当前能够完整运行 RFAntibody 的抗体设计流程，输入抗原，表位及对应的设计数量，Agent 能够自动监控并完成设计筛选流程，设计成功率与单独运行 RFAnitbody 相当。
4.2.2 肝实质细胞基因表达调研与通路分析
本案例为跨库文献调研任务：智能体需检索 PubMed 与 bioRxiv（2023–2025）论文，比较成人与儿童肝实质细胞基因表达差异，聚焦免疫通路，生成前 14 条富集通路基因计数对比柱状图并标注文献矛盾。该任务通常耗时数天且易遗漏。
ScienceDiscovery 通过工具编排实现端到端自动化：调用文献搜索 MCP 工具并行查询，利用大模型理解内容并调用代码工具完成富集分析与绘图。执行过程结构化记录于记忆图谱，形成可追溯任务链。报告阶段主动查询真实链路，确保论述有据。
最终输出带可点击引用标签的报告，标签对应具体引用、来源文献及执行链路，用户点击即可核验。
4.3 通用科研任务案例
ScienceDiscovery 团队正联合领域科学家与行业专家，共同推进通用科研任务能力建设，覆盖化学反应、材料模拟、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，并面向矿藏勘探、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、睡眠健康等产业落地方向开展深度合作。
以 IMO2026 Day2 第五题这道函数不等式函数方程试题为例，题目要求找出全部函数，使得给定不等式对任意正实数恒成立。ScienceDiscovery 首先对候选解做出猜想，并代入原题完成验证，确认猜想函数满足条件；随后对原始不等式做代数化简，从中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。
5 下一步演进方向
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等多领域知识图谱以实现跨学科探索，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。
6 社区贡献
欢迎每一位开发者、科研人员以及领域专家参与共建，通过 issue 提出反馈或贡献内容，我们会持续迭代优化。
ScienceDiscovery 代码仓：
GitCode：https://atomgit.com/openJiuwen/sciencediscovery
Github：https://github.com/openJiuwen-ai/sciencediscovery
💡 一起，共创科研新范式。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
