做科研时，真正消耗时间的往往不是“问 AI 一个问题”，而是一整套重复流程：

• 找论文；
• 看摘要；
• 整理 related work；
• 跑实验代码；
• 画图；
• 写报告；
• 检查引用和数据来源；
• 最后还要保证过程可复现。

如果只是把论文丢给普通聊天机器人，确实能得到总结，但问题也很明显：文件、代码、图表、引用和实验记录是散的，后面很难追溯。

最近我看到一个比较适合科研场景的开源项目：Open Science Desktop。

项目地址：
https://github.com/ai4s-research/open-science

它不是一个普通聊天工具，而是一个本地优先的 AI 科研桌面工作台。官方介绍中提到，它基于 Tauri、MCP、agent skills、OpenCode runtime 构建，目标是把智能体、笔记本、文件、图表、报告、运行记录和审查流程串成一条可审计的科研工作流。

简单说，它更像一个面向科研的“AI 工作台”，而不是一个网页聊天框。

为什么科研场景不适合只用普通 AI 聊天？

普通 AI 聊天适合解决单点问题，比如：

帮我总结这篇论文
帮我翻译这段摘要
帮我解释这个公式

但科研工作通常不是单点问题，而是连续流程。

比如写一篇 SCI / IEEE 方向的 related work，实际过程可能是：

确定研究方向
-> 检索论文
-> 筛选高相关文献
-> 归纳方法路线
-> 比较不同论文的实验设计
-> 整理引用
-> 形成综述段落
-> 检查引用是否真实

如果每一步都在不同工具里完成，很容易出现几个问题：

• AI 总结和原始论文对不上；
• 图表不知道是哪段代码生成的；
• 实验结果缺少运行环境记录；
• 引用看起来像真的，但需要人工逐条核查；
• 写作过程中很难复盘之前的判断依据。

Open Science Desktop 的价值就在这里：它试图把科研过程里的文件、代码、笔记本、图表、报告和审查记录放到一个本地工作区里，而不是只给你一段聊天回复。

Open Science Desktop 能做什么？

根据项目 README，目前它的能力主要围绕科研闭环展开：

• 研究方向探索；
• 文献综述；
• 实验代码与 notebook；
• 数据分析和绘图；
• 报告生成；
• 论文写作；
• 引用、图表、数值和逻辑审查；
• 本地文件与运行记录追溯。

它内置了一些科研相关 skills，例如：

Skill	作用
ai4s-agent	串联完整科研流程
research-explorer	从宽泛方向收敛成具体课题
literature-survey	生成文献综述
experiment-suite	构建实验包、代码、结果和图表
paper-writer	辅助论文写作
integrity-auditor	审查论文中的数值、图像、逻辑问题
mindmap-render	从 topic matrix 渲染思维导图

这类设计对科研用户比较友好，因为输出不只是“回答”，而是会落到工作区里，形成可以检查的文件、图表、notebook 或报告。

关键点：它可以接入自己的大模型 API Key

Open Science Desktop 的一个重要特点是 model-agnostic，也就是模型无关。

它并不强制你只能使用某一家模型服务，而是可以通过 OpenCode 支持的 provider、API Key 或自定义 OpenAI-compatible endpoint 来接入模型。

这就给了我们一个很实用的组合：

Open Science Desktop 负责科研工作流
CanguoAI 负责提供大模型 API 接入

也就是说，CanguoAI 在这里不是单独作为聊天工具出现，而是作为 Open Science Desktop 的模型调用层。

这种写法在技术文章里会自然很多：

本文使用 CanguoAI 作为 OpenAI-compatible API 接入层，用于给 Open Science Desktop 提供大模型能力。读者也可以替换为自己已有的模型服务。

不要写成：

强烈推荐某某 AI 中转站

更建议写成：

这里需要一个可用的大模型 API Key。由于 Open Science Desktop 支持自定义模型接入，我这里使用 CanguoAI 提供的 OpenAI-compatible API 作为示例。

这就从“推广”变成了“工程配置”。

安装 Open Science Desktop

官方提供了 Releases 页面，可以根据系统下载：

https://github.com/ai4s-research/open-science/releases/latest

支持的平台包括：

• Windows 10/11 x64；
• macOS；
• Linux .deb / .rpm。

如果想从源码运行，也可以使用下面的方式：

git clone https://github.com/ai4s-research/open-science
cd open-science

pnpm install

bash scripts/dev/fetch-opencode.sh
bash scripts/dev/fetch-uv.sh
bash scripts/dev/fetch-skills.sh

pnpm --filter @ai4s/desktop tauri dev

构建前需要准备：

Node.js >= 20
pnpm 9
Rust toolchain
Tauri 对应系统依赖

如果只是普通使用，建议直接下载 Release 安装包，不一定要从源码构建。

接入 CanguoAI API Key 的思路

一般 OpenAI-compatible API 会包含三个核心信息：

API Key
Base URL
Model Name

在 Open Science Desktop 中，进入模型或 provider 相关设置后，可以按类似方式填写：

Provider Type: OpenAI-compatible / Custom Endpoint
API Key: sk-xxxxxxxx
Base URL: https://你的接口地址/v1
Model: 你要使用的模型名称

为了避免泄露密钥，建议不要把 API Key 写进项目代码、截图或公开文章中。

如果你想先测试接口是否可用，可以用一个最小请求测试：

curl https://你的接口地址/v1/chat/completions \
  -H "Authorization: Bearer 你的_API_Key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "你的模型名称",
    "messages": [
      {
        "role": "user",
        "content": "请用一句话解释什么是文献综述。"
      }
    ]
  }'

如果能正常返回内容，说明 API Key、Base URL 和模型名称基本可用。

这里的关键不是 curl 本身，而是验证三件事：

Key 是否有效
Endpoint 是否兼容
Model Name 是否填写正确

一个适合科研党的实际工作流

我比较推荐把 Open Science Desktop + CanguoAI 用在“论文初筛 + 综述整理 + 可追溯笔记”这个场景。

比如研究方向是：

Retrieval-Augmented Generation for Scientific Literature Review

可以在 Open Science Desktop 中让 agent 完成下面的工作：

1. 检索近几年相关论文
2. 按方法路线分类
3. 总结每篇论文的研究问题、方法、贡献和局限
4. 生成 related work 初稿
5. 标记需要人工精读的论文
6. 检查引用是否有 DOI、arXiv ID 或其他可追溯来源

可以使用类似提示词：

我正在准备一篇关于 Retrieval-Augmented Generation 在科研文献综述中的应用的论文。

请帮我完成一个初步 literature survey：

1. 检索近 3-5 年相关论文；
2. 按技术路线分类，例如检索增强、文献问答、自动综述、引用推荐等；
3. 每篇论文请整理：
   - 研究问题
   - 核心方法
   - 实验设置
   - 主要贡献
   - 局限性
   - 是否值得精读
4. 输出一个 related work 结构草稿；
5. 所有引用都要保留可核查来源。

这里要注意，AI 生成的 related work 不能直接复制到论文里。更合理的用法是：

AI 做初筛和归纳
人类做精读、判断和最终写作

这样既能提升效率，也能避免学术风险。

为什么这个组合比单独聊天更适合科研？

我觉得主要有四点。

第一，文件在本地。
Open Science Desktop 强调 local-first，工作区、会话、数据、notebook、运行记录默认保留在本机。这对科研数据和未发表论文比较重要。

第二，模型可以替换。
它不是绑定某一个模型。你可以根据任务选择不同模型，也可以接入兼容 OpenAI API 的服务。CanguoAI 在这里的作用就是统一提供模型 API 接入。

第三，过程可追溯。
普通聊天工具生成一段总结后，很难知道它参考了哪些文件、哪段代码、哪个运行结果。Open Science Desktop 更强调 provenance，也就是把图表、报告、notebook、运行记录和生成过程关联起来。

第四，适合科研闭环。
科研不是简单问答，而是“检索、实验、分析、写作、审查”的连续流程。Open Science Desktop 的 skills 和 MCP connector 就是围绕这个流程设计的。

还可以接入哪些学术工具？

Open Science Desktop 支持 MCP connectors。官方文档中提到，目前一键科学连接器包括：

• arXiv；
• PubMed；
• Crossref；
• Semantic Scholar；
• bioRxiv / medRxiv；
• ClinicalTrials.gov；
• Materials Project；
• FRED；
• Open-Meteo；
• USGS water data。

这意味着它不只是“让 AI 说得更像论文”，而是可以连接真实学术数据源。

比如文献检索时，可以尽量保留：

DOI
PMID
arXiv ID
论文标题
作者
年份
来源链接

这些信息后续可以交给审查 skill 做 traceability review，减少“AI 编引用”的风险。

总结

Open Science Desktop 解决的是科研流程问题，CanguoAI 解决的是模型接入问题。

两者结合之后，可以形成一个比较完整的 AI 科研工作台：

Open Science Desktop：本地工作区、skills、MCP、notebook、报告、溯源
CanguoAI：提供可接入的大模型 API Key / Endpoint
研究者：负责判断、精读、验证和最终写作

对于经常阅读 SCI、IEEE、arXiv、PubMed 论文的人来说，这种组合最适合用来做：

• 文献初筛；
• related work 梳理；
• 论文结构化总结；
• 实验记录整理；
• 图表和报告生成；
• 引用与结论核查。

它不能替代真正的科研判断，但可以把大量重复性的整理工作自动化，让研究者把更多精力放在选题、实验设计和结论验证上。