AIPOCH Open-Science 快速入门

AIPOCH Open-Science 快速入门

AIPOCH Open-Science（aipoch.com/open-science）是一个开源（Apache-2.0）、本地优先、模型无关的 AI 科研工作台：协调者 Agent 规划研究并分派给专家 Agent，内置 Python/R 持久内核与命令执行、科研 Connectors（检索批准来源、检查数据集）、Reviewer 式检查与可追溯研究产物（provenance），跑在 macOS/Windows/Linux 桌面端。母生态另含医学技能中心（medical-research-skills）与技能排行榜。2026-10-08 核验：官网与 GitHub（aipoch/open-science，★5.5k，Apache-2.0，10-07 有 push）均可访问。

这是什么？适合谁？

「用 ChatGPT 做科研」的老问题：模型会编引用、算错数、引用与产出对不上号，而把检索、统计计算、写作分散在聊天窗口和本地 Jupyter 之间，过程完全不可追溯——审稿人问「这个数字怎么来的」时无从回答。Open-Science 把这条链收进一个桌面工作台：研究问题、项目文件、代码执行、输出产物、审查证据全部在一个持久项目里；Agent 的每步操作（跑了什么代码、查了什么来源、产出了什么图表）留痕成 traceable artifacts。

它的三个关键词：本地优先（数据与执行在你机器上，模型端点可选）、模型无关（接你自己的 API key，不绑定单一厂商）、Reviewer 检查（用「审稿人视角」的 Agent 对产出做批判性核查，模拟同行评审）。

适合人群：

• 需要可复现、可追溯流程的研究者（论文实验、综述、数据探索）
• 医学/临床研究方向：母生态有专门的医学技能库与 MedFlow（临床科研工作流，官网标注即将上线）
• 对「AI 编造引用」深恶痛绝、想要 provenance 证据链的人

不适合谁：只想快速问答的轻度用户（聊天工具更顺手）；需要大规模集群算力的重训练场景（这是工作台不是训练框架）；纯工程化的软件开发（这是科研导向，编码用 IDE 类 agent 更合适）。

准备工作

• 账号：本地使用无需注册账号；需要一个大模型 API key（任意主流 OpenAI 兼容厂商均可，模型无关）
• 预算：软件 $0（Apache-2.0 开源）；模型调用费按你接的 provider 计费
• 时间预算：下载安装 + 配置模型 + 跑通第一个研究问题约 1 小时
• 前置知识：基础科研方法（会提研究问题、读代码输出）；Python 或 R 基础（看得懂 Agent 写的分析代码）；会用命令行装桌面应用
• 替代方案：OpenAI Deep Research / 各家深度研究功能（托管、省事但黑箱且数据上云）；Jupyter + 手动查文献（全可控但没有 Agent 协作）；Elicit/Consensus 类文献综述工具（单一场景产品化更好）

快速上手

第一步：安装并配模型

从 GitHub releases 或官网 Download 页下载对应平台安装包，启动后在设置里填入你的模型 API key（官方文档支持哪些 provider 以 docs 为准）。

预期产出：设置页显示模型连通性正常。

第二步：定义第一个研究问题

新建项目，在输入区写一个具体、可分解的研究问题（例如「某数据集里 X 与 Y 的相关性，控制 Z 后是否稳健」），并把相关数据文件拖进项目。

Open-Science 的流程是四步：Define（定义问题）→ Plan（Agent 规划并分派）→ Execute（检索、跑 Python/R）→ Inspect（产出报告/图表并核查）。你只需要写 Define，看 Plan 是否合理，再放行 Execute。

第一步可完成的验证任务：给它一个你熟悉答案的小问题（比如一个你算过的小数据集），检查它检索的来源是否真实存在、代码输出是否正确——用你已知答案的题做「可信度标定」，这是评估任何科研 AI 工具的第一步。

第三步：跑 Execute 并看 Reviewer 检查

放行执行后观察：Agent 调用了哪些 Connector（文献检索、数据集检查）、写了什么代码、每步的 provenance 记录。结束后查看 Reviewer 的检查意见与最终 artifact（报告/表格/图）。

成功判定：① 报告里的每个外部事实都带可点击来源；② 代码执行记录可回放；③ Reviewer 至少提出了有实质内容的质疑（而非橡皮图章）。

常见踩坑

坑 1：把「本地优先」当「完全离线」 现象：断网后 Agent 不干活。原因：本地优先指你的数据与代码执行不出机器，但模型推理仍要调云端 API（除非你自己接本地模型端点）。解决：接 Ollama/vLLM 类本地端点可真离线，但推理质量看本地模型水平。

坑 2：Reviewer 检查当成真理 现象：Reviewer 说没问题就信了。原因：Reviewer 也是模型，可能有同样的盲区。解决：把它当「第一道同行评审草稿」，关键结论自己复核数字与来源。

坑 3：数据文件太大拖进项目 现象：卡顿或失败。原因：本地优先意味着大文件直接压你的磁盘与内存。解决：先抽样/裁剪；大数据集放路径引用而非整包拖入（以文档为准）。

坑 4：以为医学技能中心已全量可用 现象：找 MedFlow 找不到。原因：官网把 MedFlow/Evova 标为「Soon」。解决：当前可用主体是 Open-Science 工作台 + Agent Skills（医学技能库/排行榜/安装），其它模块关注官网更新。

坑 5：模型 key 配成不支持工具调用的端点 现象：Agent 无法执行代码或检索。原因：这套工作流依赖模型的 tool-call 能力，纯补全端点带不动。解决：换主流对话/agent 模型。

坑 6：Windows 下 R 内核没装 现象：要求 R 分析时报错。原因：框架内置 Python/R 内核是指运行时集成，系统层的 R 环境仍需自装。解决：先装 R 再按文档接内核。

权限 / 安全 / 成本 / 平台限制

• 安全：数据与执行本地化；发给模型 provider 的内容 = 你的 prompt 与相关上下文，敏感数据慎选 provider（或接本地模型）
• 成本：软件免费；token 消耗取决于研究任务长度（多 Agent + 审查环节比单次问答贵数倍）
• 平台：macOS / Windows / Linux 桌面端
• 协议：Apache-2.0——可商用、可修改

FAQ

Q1: 和 OpenAI Deep Research 这类托管深研比？

A: 托管深研省事、模型强，但过程黑箱、数据上云、结果不可复现。Open-Science 换来的是本地数据、可换模型、代码可回放的 provenance——代价是你自己管环境与 key。

Q2: 非医学领域能用吗？

A: 能。工作台本身领域无关；医学只是它生态最厚的方向（专门技能库、排行榜、即将上线的 MedFlow）。

Q3: 引用还会编造吗？

A: 框架把「检索批准来源 + provenance」作为机制约束，显著降低但不归零——任何模型都可能错配来源，Reviewer 是第二道闸不是保险丝，终审还是你自己。

Q4: 免费吗？会商业化吗？

A: 当前 Apache-2.0 开源（2026-10-08 核验）。生态里有商业化迹象（官网有 Cheaper 类似的平台化布局），开源版走向关注仓库。

Q5: 需要多强的算力？

A: 桌面机即可——重活在云端模型侧；本地只跑 Python/R 分析，常规数据规模笔记本够用。

进阶玩法

• 技能排行榜选模型组合：用生态的 Benchmark（MedSkillAudit）数据对比不同模型在科研任务上的表现，再定你的默认配置
• 自定义 Connector：把你常用的文献库/数据库接进检索层，让「批准来源」就是你的可信圈
• Reviewer 提示词工程：把你自己领域的审稿清单写进 Reviewer 的检查项，定制同行评审标准
• 教学场景：让学生用 Define→Plan→Execute→Inspect 全程留痕地做课程项目，批改时直接看 provenance

参考链接

• Open-Science 产品页
• GitHub 仓库 aipoch/open-science
• 医学技能库 aipoch/medical-research-skills
• 下载入口