OpenScience：把文獻、程式碼與實驗放進同一個工作台的 AI 研究代理
The open-source AI workbench for scientific research
秒懂
- 它是什麼？
- OpenScience 是 Apache-2.0 授權的 TypeScript 研究代理，讓模型讀文獻、寫並執行程式、跑實驗、產出報告。它的價值在於把研究流程收進單一工作區，代價是你得先決定模型存取與計費路徑。
- 適合誰用？
- 如果你手上已有明確的資料分析或文獻回顧任務，並且願意先確認技能目錄裡每一項依賴是否真的裝好，OpenScience 值得在一個獨立專案目錄裡試跑；若你需要的是可審計、可重現、每一步都有明確 provenance 的正式科研流程，這個工作台目前只提供輔助，不能取代你的驗證。最該先查的是 Customize 裡各技能的可用狀態，以及你的模型存取路徑會不會觸發 Wallet 自動加值。
- 可以商用嗎？
- 可以。Apache-2.0 是寬鬆授權：你可以使用、修改並販售以它為基礎的軟體，只需保留著作權與授權聲明。
- 還在維護嗎？
- 有在維護。儲存庫在最近一天內有新的提交。
- 用什麼語言寫的？
- 主要是 TypeScript（依據 GitHub 的語言統計）。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月15日）與我們的分析，不構成法律意見。
開源專案深度解析
它解決的是研究流程的切換成本，不是科學問題本身
研究工作的摩擦多半不在思考，而在切換。讀文獻用一個工具，跑分析用另一個，畫圖與寫稿又是第三個，中間的資料與結論靠人工搬運。OpenScience 把這些環節收進同一個工作區，README 的敘述是「Give it a goal」，接著它讀文獻、寫並執行程式、跑實驗、寫下結果。目標使用者是需要在單一環境裡完成資料檢視、程式撰寫與報告產出的研究者或資料工程師，尤其是已經熟悉命令列、不想為每個環節各裝一套工具的人。它鎖定的不是某個特定學科，從 topics 可見它同時涵蓋 bioinformatics、ml engineering 與一般 scientific computing。這種廣度是優點也是風險：通用工作台在單一領域的深度，通常不如為該領域特製的工具鏈。
技能、MCP 與自訂代理構成的能力層
從 README 可見的能力清單來看，這個工作台的核心不是單一模型，而是一層可組合的能力：技能描述一段程序，MCP 連線接上外部資源，自訂代理與命令定義行為，SDK 則供外部整合。資料流的方向大致是：你給出目標，代理決定要用哪些技能與工具，執行後把產出寫回專案目錄。技能的角色是程序說明，不是安裝保證，README 對這點寫得很直白：技能描述程序，不代表其中引用的每個工具或服務都已安裝，執行大型任務前應先在 Customize 檢查可用性。這是一條容易被忽略的界線。bundled skills 號稱有數百個，但目錄裡的條目與你機器上實際可用的能力是兩件事，這個落差會直接反映在任務中途失敗上。
安裝路徑與模型存取的實際指令
CLI 與瀏覽器工作區的安裝指令是 npm install -g @synsci/openscience，執行 openscience 啟動；也提供 npx synsci 這種單步啟動方式。桌面版另有 macOS、Windows 與 Linux 的下載。針對既有專案，README 給的例子是 openscience ~/research/my-project，把工作台指向專案目錄。模型存取有三條路：Ace 由托管模型與研究搜尋組成，需要登入並選擇 funding workspace 後為 Wallet 儲值；自帶 provider 可透過 openscience keys add 加入 API key 或支援的登入方式，再用 openscience models 檢視；本機模型則用 openscience local add 接上 Ollama、LM Studio 或相容端點。單次終端回合用 openscience run "..."，接續前文則加 --continue。
Ace 的計費結構與自動加值這個坑
Ace 的計費方式在 README 裡寫得比多數同類專案清楚：啟用是 0 美元授權，用量依 provider 回報的成本結算，另加 5.5% 的 funding fee，每次請求套用一次，沒有其他加價，信用卡處理費在結帳時另列。真正需要留意的是自動加值：只要自動加值開啟，Wallet 餘額低於 5 美元就會觸發 20 美元加值，而且切換到自己的 provider 並不會關閉自動加值。這條規則對只想短期試用的人是實質成本風險，因為它與你實際用哪個模型無關。想避開這條路徑，就得走自帶金鑰或本機模型，README 也明說自有 provider 存取與本機模型不需要 OpenScience 帳號。
技能目錄與實際安裝狀態的落差
這是採用前最該弄清楚的一點。README 在能力清單之後立刻補了一句：技能描述程序，不代表每個被引用的工具或服務都已安裝，執行大型任務前要檢查 Customize 裡的可用性。換句話說，數百個 bundled skills 是文件層面的廣度，不是執行環境的廣度。當代理在任務中途需要某個未安裝的依賴時，失敗會發生在流程中段，而不是在啟動時被擋下。對照之下，一個只做單一領域、但把依賴綁死在安裝流程裡的小工具，反而更少這種中途斷裂。這不是設計缺陷，而是通用工作台的必然取捨，但你必須把它當成前置檢查項，而不是事後除錯項。
與單一用途研究工具鏈的差異
拿 Snakemake 或 Nextflow 這類工作流引擎相比，差異在控制權的位置。工作流引擎要求你先把每個步驟、每個輸入輸出路徑、每個容器明確寫成規則檔，執行時的可重現性來自那份規格，代理不介入決策。OpenScience 走的是相反方向：你用自然語言描述目標，由代理決定要用哪些技能、寫什麼程式、產出放在哪裡。這換來的是啟動速度，代價是路徑由模型當下決定。README 本身也提醒要檢視來源、假設、程式碼與產出，再依賴任何科學結論。如果你的產出需要逐行追溯每一步的來源，工作流引擎那條路更直接；如果你還在探索階段、連要跑哪些步驟都還沒定，OpenScience 的 /plan 先談方法再執行的做法比較合適。
維護節奏與授權條件
從 release 記錄看，v2.0.85 到 v2.0.87 集中在 2026 年 9 月 9 日當天與前一晚發布，最後 push 時間與最新 release 幾乎同步，顯示主線仍在密集迭代。這種節奏對採用者的意思是：升級成本不會是一次性的，你得預期 CLI 行為與技能目錄會持續變動。授權為 Apache-2.0，允許商業使用與修改，並附帶專利授權條款，但商標與品牌使用不在授權範圍內，這部分需自行確認，本文不構成法律意見。另外要注意 Ace 的計費與模型存取屬於服務層，與 Apache-2.0 涵蓋的程式碼是兩回事，程式碼開源不代表托管服務免費。
編輯結論
如果你手上已有明確的資料分析或文獻回顧任務，並且願意先確認技能目錄裡每一項依賴是否真的裝好，OpenScience 值得在一個獨立專案目錄裡試跑；若你需要的是可審計、可重現、每一步都有明確 provenance 的正式科研流程，這個工作台目前只提供輔助，不能取代你的驗證。最該先查的是 Customize 裡各技能的可用狀態，以及你的模型存取路徑會不會觸發 Wallet 自動加值。
社群筆記