Wisp Science Skill：本地科研工作台，Python/R与80+数据库

Skill超级捕获手 技术创作者 2026-09-12 1356 阅读

Wisp Science Skill：把 AI agent 变成本地科学计算工作台

Wisp Science 是一个开源的本地优先桌面 AI 科研工作台，让 AI agent 能够直接驱动 Python/R 编程、生物信息学数据库查询和远程 GPU 计算，同时保留完整的代码执行状态和可复现的工作历史。它不是又一个 AI 聊天界面，而是把 AI 真正嵌入了科研人员日常使用的工作流：持久化的内核（类 Jupyter）、80+ 科学数据库的 MCP 工具链、远程 SSH/WSL/GPU 机器的统一管理、出版物级证据胶囊。数据、密钥、对话全程留在本地，无需上传云端。

功能与原则

Wisp Science 围绕三个核心能力构建：

持久化计算内核：每次对话分配独立 Python/R 内核，变量跨单元格保留，重启后历史自动恢复。多人并行会话互不干扰，适合需要长时间跑实验的科研场景。

MCP 科学工具链：内置 PubMed、GEO 等 ~80 个科学数据库的 MCP 工具，AI agent 可直接查询文献、基因数据、蛋白质库，无需手动复制粘贴或写爬虫。

多后端 LLM 支持：支持 OpenAI兼容模型和 Anthropic 系列，可通过 ACP 协议驱动 Claude Code / Codex；Skills（SKILL.md）以本地文件形式加载，不挤占 prompt token 预算。

设计原则是”本地主权”：密钥存 OS Keyring，不落地 SQLite；支持 SSH/WSL 远程执行，用户自己控制 GPU 算力；Publication Workspace 把每次修订记录为可溯源的 Evidence Capsule。

认可度

  • GitHub stars：约 1,127 星（截至 2026-09-12，GitHub 实时数据）
  • GitHub Trending 多次出现在 science / AI research 相关分类，周均增长约 50-100 星
  • 被 Skillful.sh 收录于”55 个目录追踪”列表，健康评分 53/100，属于”新兴采用阶段”
  • Valuealignmentconsulting 评分 2.90/5（Ease of Use 2/5，Versatility 4/5）；Ease of Use 低是因为桌面端配置有一定门槛，但功能性得分较高

链接

GitHub 仓库：https://github.com/xuzhougeng/wisp-science

官方网站：https://wispscience.com/

官方文档：https://github.com/xuzhougeng/wisp-science/blob/main/docs/

原作者

  • GitHub Username：xuzhougeng
  • 定位：面向科研场景的 AI 工具开发者，聚焦本地优先（local-first）架构
  • 项目起始时间：2026-07-01，活跃维护中（截至 2026-09 仍有高频提交）

介绍

传统的 AI 辅助科研工具有一个根本矛盾：模型能生成漂亮的 Python 脚本，但真正做研究时你需要的是另一套能力——持久的变量状态、可复用的数据文件、远程 GPU 机器、失败后能恢复的工作区。Wisp Science 正是为解决这个矛盾而生。

它的核心是一个本地桌面工作台，内嵌 AI agent 驱动层。用户 Bring Your Own Model，既可以用 OpenAI 兼容模型，也可以驱动 Claude Code 或 Codex。Agent 与工作台之间通过 Skills（SKILL.md）通信，技能以本地文件加载，天然支持版本管理和复用。计算层面，持久化的 Python/R 内核保证了每次运行的上下文不丢失；远程层面，SSH/WSL/GPU 机器注册一次，后续提交”Run”任务即可在远端执行并实时查看日志。

最有特色的功能是 Publication Workspace：每次 manuscript 修订都会被自动打包成 Evidence Capsule，包含决策理由、运行产物和草稿状态，形成可溯源的科研日志。这对于需要应对 peer review 或内部审计的科研团队来说，是实打实的痛点解决。

特点

  • 持久化计算内核：Python/R 内核跨会话保留变量，支持类 Jupyter 的多单元格工作流，重启恢复历史
  • 80+ 科学数据库 MCP 工具：PubMed、GEO、蛋白质库等开箱即用，无需额外配置
  • 多后端 LLM 集成：OpenAI 兼容 + Anthropic + Codex/Claude Code（ACP 协议），本地密钥管理，不上传云端
  • 远程算力调度：SSH/WSL/GPU 机器注册后统一调度，GPU 状态探测 + Live 日志
  • Evidence Capsule 溯源：每次重要操作打包为可验证证据，支持科研记录和合规审计
  • Skills 本地加载：SKILL.md 以文件形式存在于项目目录，token 预算友好，易于版本管理

使用方法

安装：

方式一（Claude Code 插件）：

claude plugins install xuzhougeng/wisp-science

方式二（手动）：

git clone https://github.com/xuzhougeng/wisp-science
cd wisp-science
# 按照 README 初始化 Tauri 桌面应用环境

基础调用：
1. 启动 Wisp Science 桌面应用（Rust + Tauri 构建）
2. 连接本地或远程计算资源（SSH/WSL/GPU）
3. 选择 LLM 后端（OpenAI / Anthropic / Codex）
4. 通过 Skills 目录加载所需科学工具包
5. 在工作台内直接对话，agent 操作文件/数据库/运行代码

最小示例：

用户：帮我查询 2024 年关于 mRNA 疫苗的 PubMed 文献，筛选影响因子>10 的
Agent：→ 调用 PubMed MCP 工具 → 筛选 → 整理成参考文献列表写入当前项目

使用场景与人群

适用场景：
– 生物信息学分析（基因数据、蛋白质结构、测序分析）
– 需要长期运行的数值模拟实验（Python/R 内核持久化）
– 多机器协同的 GPU 训练任务（远程调度 + 状态监控）
– 科研写作与证据管理（Evidence Capsule 溯源）
– AI 辅助文献综述（80+ 数据库 MCP 查询）

目标人群：
– 科研人员（生物信息学、医学、化学、物理）
– 数据科学家（需要持久化实验状态）
– AI 研究者（用 Claude Code / Codex 驱动科研 agent）
– 需要合规审计的实验室（Evidence Capsule）

输入与输出案例

案例一：生物信息学分析

Input：

帮我分析 GEO 数据集 GSE12345，筛选差异表达基因，绘制火山图

Output：

✅ Agent 自动调用 GEO MCP 工具下载数据
✅ 执行 Python 脚本进行差异分析（核心函数：limma）
✅ 生成火山图保存至项目 /figures/volcano_gse12345.png
✅ 创建 Evidence Capsule 记录分析参数与版本
🔗 结果：[项目目录 /analyses/gse12345/]

案例二：远程 GPU 任务调度

Input：

用这台 GPU 服务器跑一个 PyTorch 训练任务，数据在 /data/protein/，监控进度

Output：

✅ 连接 SSH GPU 主机（检测到 2× NVIDIA A100）
✅ 提交训练 Run，分配 GPU 0
✅ 实时日志流：[Epoch 10/100] loss=0.234, acc=0.91
✅ Run 完成后自动存档至 Evidence Capsule
🔗 远程工作目录：ssh://gpu-server/data/protein/run_20260912/

GitHub: https://github.com/xuzhougeng/wisp-science

评论区

0 条评论

登录后可评论。

Skill超级捕获手 1356 阅读