Die Open-Source-Version von Claude Science ist da: sie ist abhängigkeitsfrei, steht unter der MIT-Lizenz und verfügt über mehr als 30 integrierte wissenschaftliche Skills.

Claude Science, von dem Sie vielleicht schon gehört haben.

Der wissenschaftliche Agent von Anthropic, der selbst Literatur recherchieren, Code schreiben, Analysen durchführen, Diagramme und Berichte erstellen kann, wurde einst als „das ist genau das, was AI for Science sein sollte“ bezeichnet.

Aber es ist Closed-Source.

Jetzt hat jemand es nachgebaut – Open-Source, MIT-Lizenz, keine Kernabhängigkeiten.

Das Projekt heißt OpenAI4S (Open AI for Scientist) und ist ein offiziell veröffentlichtes Open-Source-Projekt für wissenschaftliche Agenten des Gemeinsamen Labors von Peking University & YuanKong AI Agent.

Wichtiger Hinweis: Es sieht nicht nur „ähnlich aus“ wie Claude Science, sondern folgt dem Konzept von Code-as-Action und hat die Engine, den persistenten Kernel, das Host-RPC-Protokoll und die Sicherheitsschicht unabhängig in Open-Source-Form neu implementiert.

Das Projekt wurde am 6. Juli 2026 auf GitHub unter der MIT-Lizenz Open-Source veröffentlicht.

Derzeit bietet OpenAI4S eine vollständige wissenschaftliche Webanwendung, Dutzende integrierter Skills, die Möglichkeit zur Anbindung eigener Rechenkapazitäten und versionierte wissenschaftliche Ergebnisse.

YuanKong AI Science: https://www.chatexcel.com/homesite/openAI4S

Es begnügt sich nicht damit, eine scheinbar korrekte Antwort zu geben, sondern möchte die KI wirklich in den wissenschaftlichen Arbeitsablauf einbinden und ein Problem von der „Formulierung“ bis zur „Fertigstellung“ vorantreiben.

Nicht mehrere zusätzliche Gesprächsrunden, sondern dass die KI wirklich praktisch mitwirkt

Viele aktuelle KI-Agenten machen im Grunde genommen dasselbe: Das Modell sieht eine vorbereitete „Werkzeugliste“, entscheidet, welches Werkzeug aufgerufen werden soll, und arbeitet Schritt für Schritt weiter. Für einfache Aufgaben reicht diese Methode aus.

Aber wissenschaftliche Arbeit lässt sich nicht in drei oder fünf Schritten erledigen.

Recherche in mehreren Datenbanken, Herunterladen von Daten, Datenbereinigung, wiederholtes Ändern von Code, Aufrufen professioneller Algorithmen, Anfordern von GPU-Rechenleistung, Erstellen von Diagrammen, Zusammenstellen von Berichten... Wenn bei irgendeinem Schritt ein Problem auftritt, muss man möglicherweise von vorne anfangen.

Die Antwort von OpenAI4S lautet Code-as-Action, also „Code ist Handlung“.

Es lässt den Agenten direkt Python- oder R-Code generieren und diesen in einer dauerhaft laufenden Kernel-Umgebung ausführen.

Schleifen, Bedingungsabfragen, Stapelverarbeitung von Daten und Diagrammerstellung können in einer einzigen Ausführung kombiniert werden; Daten und Zwischenergebnisse müssen nicht bei jedem Schritt neu an das Modell übergeben werden, sondern verbleiben in der Arbeitsumgebung.

Für die Nutzer besteht die direkteste Veränderung nicht in einem zusätzlichen Fachbegriff, sondern darin, dass die KI längere und komplexere Aufgaben verketten kann:

Die im vorherigen Schritt heruntergeladenen Daten können direkt an die Analyse im nächsten Schritt übergeben werden;

Generierte Bilder, Tabellen und Berichte werden automatisch gespeichert;

Forschende können jederzeit das Notebook öffnen, den Code prüfen, die Analyse übernehmen oder die Ergebnisse ändern.

„Code ist Handlung, Kernel ist Umgebung.“

Absolvieren Sie den gesamten wissenschaftlichen Ablauf von Daten bis zu Schlussfolgerungen in einer einzigen Oberfläche

OpenAI4S ähnelt eher einem gemeinsamen wissenschaftlichen Arbeitsplatz für Menschen und KI.

Wenn Sie eine Aufgabe stellen, kann es selbst öffentliche wissenschaftliche Datenquellen durchsuchen, Analysecodes schreiben und ausführen, professionelle Rechenkapazitäten aufrufen und die Ergebnisse in Bilder, Tabellen, 3D-Strukturen oder Markdown-Berichte umwandeln.

Der gesamte Prozess wird nicht nach der Ausführung verworfen. Jedes wissenschaftliche Ergebnis wird aufgezeichnet, gespeichert und versioniert, um die spätere Überprüfung, Änderung und Wiederverwendung zu erleichtern.

Beispielsweise können Sie es anweisen, ein Protein zu analysieren.

Es kann zuerst echte Proteinsequenz- und Strukturdaten abrufen, dann Merkmalsberechnungen und Visualisierungen durchführen und schließlich den Analyseprozess, die Datenquellen und die Ergebnisse zusammen in eine wissenschaftliche Arbeit einfügen.

Der entscheidende Punkt ist: Die Daten sind echt, die Berechnungen sind auch echt.

Wenn externe Dienste nicht erreichbar sind oder die Berechnungsbedingungen nicht erfüllt sind, teilt es Ihnen klar mit, welche Aufgabe nicht ausgeführt werden kann. Es gibt keine gefälschten Simulationsdaten und keine erfundenen Ergebnisse, um die Arbeit unbegründet zu vervollständigen.

△

Wissenschaftliche Arbeit erfordert oft wiederholte Änderungen.

In herkömmlichen Abläufen müssen Forschende möglicherweise das Skript für die Diagrammerstellung wiederfinden, Parameter ändern, es erneut ausführen und die Datei exportieren;

In OpenAI4S können Sie Anpassungsanforderungen direkt in natürlicher Sprache stellen, der Agent generiert die Ergebnisse auf Basis vorhandener Daten und Codes neu und behält gleichzeitig die Versionsverläufe bei.

△

Dutzende wissenschaftliche Skills, um professionelle Fähigkeiten in den Agenten zu integrieren

Ein generisches Modell reicht nicht aus, um zu einem wissenschaftlichen Assistenten zu werden, nur weil es „intelligent“ ist.

Es muss wissen, wo man professionelle Daten findet, wie man professionelle Werkzeuge verwendet und wie man komplexe Algorithmen ausführt.

OpenAI4S enthält erstmals mehr als 30 integrierte wissenschaftliche Skills.

Proteinstruktur, Sequenzanalyse, Proteindesign, molekulares Docking, Einzelzellanalyse, Literaturrecherche, Suche nach offenen Daten... Sie decken im Wesentlichen eine Reihe gängiger Szenarien der rechnergestützten wissenschaftlichen Forschung ab.

Darunter sind 14 Skills, die wissenschaftliche Rechenfähigkeiten kapseln, die nur mit GPU oder professionellen Modellen ausgeführt werden können.

Die Skills hier sind keine festgeschriebene Tabelle mit Werkzeugparametern. Sie ähneln eher einer Reihe von „Code-Rezepten“, die der Agent lesen, verstehen und ausführen kann.

Welche Daten benötigt werden, welcher Dienst aufgerufen wird, wie der Code geschrieben wird und wie die Ergebnisse überprüft werden, können alle in einem Skill hinterlegt werden.

Später können Entwickler neue Datenbanken, neue Algorithmen oder neue experimentelle Abläufe problemlos hinzufügen.

Das heißt, diese Fähigkeiten sind nicht endgültig festgelegt. Die Skills können erweitert werden, wenn sich die wissenschaftlichen Anforderungen ändern.

Wissenschaftliche Daten mit der echten Rechenumgebung verbinden? Leiten Sie Aufgaben an Ihre eigene GPU weiter

Bei wissenschaftlichen Berechnungen gibt es noch ein sehr praktisches Problem: Rechenleistung.

Aufgaben wie Proteinfaltung, Mutationsbewertung und Molekülsimulation lassen sich nicht einfach auf einem normalen Laptop ausführen.

Darüber hinaus hängen viele professionelle Berechnungen von spezifischen Modellen, komplexen Softwareumgebungen und GPU-Ressourcen ab.

OpenAI4S unterstützt die Anbindung an die eigene Rechenumgebung. Die lokale Seite übernimmt die Interaktion und Aufgabenorganisation, während die GPU-abhängigen professionellen Berechnungen auf Ihren eigenen Servern ausgeführt werden. Nach Abschluss der Berechnungen werden die Ergebnisse in denselben wissenschaftlichen Arbeitsablauf zurückgeführt.

Beispielsweise bei der Vorhersage von Proteinstrukturen und der Bewertung von Mutationseffekten liegt die eigentliche Schwierigkeit oft nicht in der Generierung des Aufrufcodes, sondern darin, die Eingaben an die richtige Rechenumgebung zu übergeben und die Ergebnisse vollständig in den Arbeitsablauf zurückzubringen.

Sie müssen nicht alle Aufgaben auf einem einzigen Computer ausführen und nicht den gesamten Ablauf neu schreiben, um einen Rechenserver anzubinden – das ist besonders wichtig für Labore und Forschungsteams.

Daten, Modelle und Rechenleistung können in Ihrer eigenen Umgebung verbleiben, der Agent übernimmt die Verknüpfung zwischen ihnen.

Echte Daten, echte Berechnungen – es erfindet wirklich nichts

Was fürchten Sie am meisten, wenn Sie ein billiges Modell für wissenschaftliche Arbeit verwenden? Dass es ernsthaft erfundene Ergebnisse ausgibt.

OpenAI4S hat eine strenge Regel aufgestellt, die no-fabrication policy (keine Fälschungsrichtlinie) heißt: Die Verwendung von np.random zur Simulation von experimentellen Ergebnissen, erfundene „Konservativitätswerte“, die Verwendung von BLOSUM statt ESM, die Nutzung von Simulationsdatensätzen als echte Daten... alles ist verboten.

Entweder ein echter Dienst wird verwendet, oder es wird klar ein Fehler gemeldet.

Wenn Sie sich das INS-Beispiel ansehen: Die Sequenz wurde wirklich von UniProt abgerufen, die Struktur wirklich von RCSB heruntergeladen. Wenn keine Internetverbindung besteht, wird es ehrlich übersprungen und es wird kein gefälschtes Ergebnis erzeugt.

Wenn Sie wirklich eine Proteinstruktur berechnen möchten, wird tatsächlich die GPU aufgerufen: host.fold stellt eine SSH-Verbindung zu einem Rechner mit 8×A100 her, führt die Einzelsequenz-Inferenz mit Protenix (AlphaFold3-Niveau) aus und gibt die Struktur mit pLDDT-Werten zurück; host.score_mutations führt eine echte ESM-Bewertung zur Auswahl von Mutationen durch.

Wenn keine GPU konfiguriert ist, gibt es direkt eine Fehlermeldung und keine gefälschte Struktur.

Es sagt Ihnen lieber „das kann nicht berechnet werden“, als eine scheinbar korrekte gefälschte Struktur zu erzeugen.

Für einen wissenschaftlichen Agenten ist dies möglicherweise wichtiger als „alles zu können“.

Open-Source ist eine Praxis des Gemeinsamen Labors von Peking University & YuanKong AI zur Förderung der Zusammenarbeit zwischen Industrie, Universität und Forschung

Die Veröffentlichung von OpenAI4S bedeutet nicht nur die Hinzufügung eines neuen Open-Source-Projekts, sondern ist auch eine Praxis der Zusammenarbeit zwischen Industrie, Universität und Forschung zwischen der Peking University und YuanKong AI.

Als Teilergebnis des gemeinsamen Labors beider Seiten wäre die Entwicklung und Open-Source-Veröffentlichung von OpenAI4S nicht ohne das kontinuierliche Engagement und die Förderung von Herrn ZHANG Gongbo aus dem gemeinsamen Labor möglich gewesen.

ZHANG Gongbos Forschungsschwerpunkt liegt auf AI for Science. Als Mit-Erstautor von UniGenX erforscht er generische wissenschaftliche Basismodelle für Moleküle, Materialien und Proteine. Diese auf wissenschaftliche Intelligenz ausgerichteten Forschungsarbeiten wurden auch in die Entwicklung und Implementierung von OpenAI4S eingebracht.

Gleichzeitig vereint OpenAI4S die gemeinsamen Bemühungen der Teammitglieder LI Hao, WANG Yu, LIU Yuyang, LYU Liuzhenghao, MAO Yicheng, LIN Mujie, PENG Shenyao, JIANG Zhengxiang und WANG Yimi. Von der Framework-Entwicklung, Funktionsimplementierung bis zur Open-Source-Veröffentlichung ist jeder Schritt von der Zusammenarbeit und dem Engagement aller Beteiligten geprägt.

YuanKong AI ist ein Unternehmen für Edge-KI, das sich auf Technologien wie nachträgliches Modelltraining, Agent-Runtime, Langzeitgedächtnis und Edge-Inferenz konzentriert, um KI komplexe Aufgaben in lokalen und Offline-Umgebungen ausführen zu lassen.

Derzeit hat das Unternehmen zwei Produktlinien namens YuanKong AI Work und YuanKong AI Science auf den Markt gebracht, die jeweils in die Bereiche intelligentes Büro und wissenschaftliche Entdeckung eintreten.

Diese Open-Source-Veröffentlichung von OpenAI4S spiegelt auch die gemeinsame Überzeugung des gemeinsamen Labors und von YuanKong AI zu wissenschaftlichen Agenten wider:

Wissenschaftliche Agenten dürfen nicht nur auf Demo-Ebene verbleiben, sondern müssen zu einer wirklich ausführbaren, überprüfbaren und erweiterbaren wissenschaftlichen Infrastruktur werden.

Aus diesem Grund wird nicht nur das Beispiel, sondern auch die Kernarchitektur, die wissenschaftlichen Skills und die vollständige Anwendung veröffentlicht.

Hochschulen, Forschungseinrichtungen, Entwickler und Industriepartner können auf dieser Grundlage Datenquellen, Algorithmen, Werkzeuge und wissenschaftliche Abläufe anbinden, um gemeinsam die Anwendung wissenschaftlicher Agenten in mehr realen Aufgaben voranzutreiben.

Wir laden Sie ein, es auszuführen und gemeinsam weiterzuentwickeln

Die Teilnahme an OpenAI4S kann damit beginnen, das Projekt auszuführen.

Die Installation ist nicht kompliziert, es reichen drei Zeilen, um es zu starten: