引言：AI4S 需要什么样的 Agent？

项目地址：https://github.com/kakastudy/colulu-agents-main
过去两年，"AI for Science"从概念走进了真实世界——AlphaFold 破解蛋白质折叠、AI 驱动的药物分子筛选进入临床、大模型加速材料设计……但在这些宏大叙事背后，每一位科研工作者都清楚，真实的科研流程远比想象中琐碎。

一个典型的场景：计算化学研究者发现文献中某模型存在改进空间。他需要检索上百篇文献并交叉验证方法学、设计对照组实验、预估样本量与统计功效、编写并长时运行计算脚本（动辄数小时甚至数天）、将数字预测与物理实验结果逐点比对、根据失败结果修正假设——如此循环往复，直到结论成立。最后，还要把这一切打包成一篇图表可复现、结论可追溯、符合投稿规范的论文。

这背后是三个长期被 AI4S 讨论忽视的硬需求：

• 长时：科研计算不是"问一句、答一句"，而是数小时到数天的长程运行，需要检查点、监控面板与断点续跑；
• 反馈：干实验（计算）与湿实验（物理）必须构成闭环，失败与负结果同样是宝贵证据，不能被丢弃；
• 可审计：每一个结论都必须能追溯到文献、数据与代码，否则无法获得同行信任。

这正是 Colulu Agents 试图回答的问题。它的思路不是把科研流程做成一个个孤立的对话，而是将科学发现过程系统化为一套写进"灵魂"（soul.md）的通用智能体工作流——从任务分型、文献体系、试验方案设计，到数字模拟、湿实验对接、迭代决策与成果打包，全部纳入一个可长时运行、可反馈迭代、可审计追溯的闭环。

接下来的文章，我们将从四个维度展开：Colulu Agents 如何支撑 AI4S 的长时、反馈与证据治理需求；AI4S 工作流的流程体系；支撑这套流程的 Skill 体系；以及一次真实的案例实践——soul.md 工作流从 v5.0 到 v6.1 的升级。

---

第一章：Colulu Agents 如何支撑 AI4S

如果 AI4S 是一场马拉松，那么大多数对话式 AI 工具只能陪你跑完前一百米。科研任务的真实形态是：长时运行、反复反馈、全程留痕。Colulu Agents 的支撑能力，正是围绕这三个关键词构建的。

1.1 长时运行：让 Agent 撑过数天的计算马拉松

科研计算任务动辄运行数小时甚至数天，任何一次崩溃都可能意味着全部重来。Colulu Agents 为此内置了一整套"弹性执行"机制：

• 检查点（checkpoint-manager）：运行中的关键变量被周期性地"物化"保存，即使进程崩溃，也能从最近的检查点恢复，而非从头再来；
• 监控面板（run-dashboard）：任何预估运行超过 5 分钟的任务，强制启动异步监控面板，实时展示计算进度与状态——这条被写进了工作流铁规：不是建议，而是必须；
• 熔断降级（workflow-monitor）：内置同步监控哨兵，检测到 NaN、梯度冲突等异常信号时自动熔断，保存现场并输出崩溃报告，避免带病运行；
• 断点续跑（notebook-compiler）：结果自动归集回可一键重跑的完整 Notebook，配合自适应降采样、软超时与指数退避重试，让 Agent 在资源波动中"活着"完成任务。
  
  图 1：Colulu AI4S 支撑能力总览——四类能力如何覆盖科研全链条

一句话小结：长时运行不是"等得起"，而是"扛得住、断得起、续得上"。

1.2 反馈闭环：干实验与湿实验互相校验

纯数字工作流（文献→数据→代码→报告）只是 AI4S 的一半。真正的科研闭环要求数字预测与物理实验互相校验——这正是 Colulu Agents 把"湿实验"作为一等公民的原因：

• 干-湿闭环：工作流在数字模拟与湿实验之间建立显式连接。湿实验阶段负责把数字假设翻译为可执行的实验指令（实验协议、仪器脚本），并接收实验返回的数据；
• 失败即证据：所有湿实验结果——包括失败与负结果——全部入库，作为后续迭代的依据；失败分析按根因分类，输出恢复建议；
• 干湿逐点比对：实验结果与数字预测逐点比对，偏差超过阈值自动触发根因分析（是数据问题？模型问题？还是实验操作问题？）；
• 迭代决策：每轮循环的停止/继续决策由迭代控制器基于"数值指标 + 证据差距"双驱动做出，而非主观感受；假设信念的更新被显式记录，并附加元反思，识别模式与认知盲区。

一句话小结：反馈闭环让每一次失败都成为下一次设计的输入，而不是被丢弃的噪音。

1.3 证据治理：让每个结论都有"出生证明"

AI4S 最大的信任危机来自"编造"——模型自信地输出一个看似合理的结论，却没有任何来源。Colulu Agents 将系统的数据真实性规则升级为贯穿全链的"证据真实性"铁规：

• 来源与置信度：一切产出（试验方案、模拟结果、综述、结论）必须标注来源（用户文件/文献/数据/实验记录）与置信度；找不到可靠材料时，必须明确声明"未找到数据/证据"，严禁编造；
• 主张-证据审计：核心论断必须绑定具体证据（文献+页码、数据+行号、结果+图号），缺失证据的论断在审计报告中被标记为"弱证据"；
• 研究账本：每张图、每个结论都有一份"出生证明"——记录生成代码、运行环境、输入数据版本、参数设置与决策依据，全流程逐阶段登记；
• 批判性检查点：在假设生成后、实验设计后、结果解读后、结论形成前四个关键决策点，强制回答批判性问题（可证伪吗？对照组充分吗？效应量有意义吗？存在确认偏误吗？）。

一句话小结：可审计不是事后补文档，而是每一阶段强制留下的决策痕迹。

1.4 多智能体协同：通才协调，专家执行，独立审核

单个 Agent 很难同时精通文献、统计、建模与实验设计。Colulu Agents 采用三层多智能体架构：

• 协调层（通才 Agent）：理解研究意图、任务分型、拆解子任务、调度 Skill 与子 Agent，维护研究账本；
• 执行层（专家子 Agent）：按需派生文献专家、数据专家、建模专家、实验设计专家等并行会话，各自调用领域 Skill 专注执行；
• 审核层（独立审核 Agent）：对关键产物做交叉验证——逻辑一致性、证据充分性、可复现性，签发"审核闸门"。

研究问题陈述、试验方案、干湿比对结论与最终报告，都必须通过审核层的检查才能进入下一阶段——让"评审"成为流程的一部分，而不是事后环节。

一句话小结：多智能体的价值不是"多个模型聊天"，而是把科研中的分工与评审制度化。

第二章：AI4S 工作流：流程体系

第一章回答了"Colulu Agents 凭什么支撑 AI4S"；本章回答"AI4S 到底怎么跑"——即把科学发现过程系统化为可执行、可审计、可进化的流程。

2.1 Gate 0：一切任务的第一道门——任务分型

Colulu Agents 不会对"帮我把这段 SQL 跑一下"和"帮我设计一个药物筛选实验"使用同一套流程。任何请求进入工作流，首先经过 Gate 0 任务分型：

• Track-A 传统任务（非科研闭环）：数据分析、文档处理、SQL 查询、日常办公——走轻量 5 步：解析 → 资产检查 → 执行 → 证据核对 → 交付归档，去除科研强制项（如 .ipynb 载体、长任务监控、论文级打包）；
• Track-B 科研全链条（科学发现/研究闭环）：涉及假说、试验、文献体系、科研产出——走九阶段闭环。

分型之后，Track-B 还要进一步判别研究问题类型，动态路由到不同的子工作流模板：

问题类型	路由策略
复现验证型	严格锁定数据/代码/环境版本，输出一致性报告
数据驱动发现型	强化数据治理与统计验证
假设驱动实验型	嵌入"干-湿实验闭环"
方法开发型	强化代码生成与基准测试，强制与 SOTA 对比
综述构建型	强化文献体系与成果打包，压缩数据/计算阶段

图 2：Gate 0 双轨流程全景——同一套系统，两套流程，五条路由

一句话小结：同一套系统、两套流程、五条路由——“轻任务轻做、重任务重做”。

2.2 Track-B：科研全链条九阶段闭环

九阶段不是线性流水线，而是一个可进可退的闭环：从问题定义出发，经过文献、设计、数据、模拟、湿实验、验证，在迭代决策处回环，直到证据差距消除，才进入成果打包。

Phase -1 问题定义(RQC 研究问题证书)
   → Phase 0 资产盘点与差距分析（四维资产 + gap 消除）
   → Phase 1 文献体系构建（≥30 篇排序、方法学抽取）
   → Phase 2 试验方案设计（参数溯源 + 对照组文献 + 统计功效 + 虚拟试验预演）
   → Phase 3 数据获取与治理（科学表征标准化）
   → Phase 4 数字模拟/计算实验（.ipynb 载体 + 检查点/监控/熔断）
   → Phase 5 湿实验对接与执行（Safety Gate + 失败五类分析 + 反馈入库）
   → Phase 6 结果分析与验证（统计检验 + 领域规则 + 干湿逐点比对 + 证据审计）
   → Phase 7 迭代决策（数值+证据双驱动 + 信念更新 + 元反思）
   → Phase 8 成果打包与资产沉淀（论文级交付 + 复现包 + 假说库回写）

图 3：Track-B 科研九阶段闭环——从问题定义到资产沉淀的可进退闭环

几个值得展开的设计：

Phase -1：先定义问题，再动手。 用 PICO 等框架把模糊意图结构化，产出研究问题证书（RQC）——包含原始定义、显式假设、机制模型、张力/矛盾点、可证伪假说、最小决定性实验与失败更新规则。"可失败"被显式写入规范：连"什么条件下算失败、失败后如何更新"都要提前定义。

Phase 2：证据最强约束阶段。 每个实验参数必须有文献或预实验来源（parameter_justification.json）；对照组设计必须引用 ≥2 篇同领域文献；统计方案基于文献效应量预估；并且在花一分钱做湿实验之前，先用模拟器跑一遍虚拟试验（simulation_before_wetlab.json），预判可行性与预期范围。

Phase 5：湿实验是一等公民。 把数字假设翻译为可对接自动化平台的实验指令（移液工作站脚本、PCR 程序），通过 Safety Gate 安全门检查后执行；所有结果——包括失败与负结果——全部入库，失败按五类根因分析并给出恢复建议。

Phase 6 → 7：验证与迭代构成闭环。 干实验结果与湿实验结果逐点比对，偏差超阈值自动根因分析；核心论断必须绑定证据（claim 审计，弱证据标记）；迭代控制器基于"数值指标 + 证据差距"双驱动决定继续/停止/调整，信念更新与元反思被显式记录。

Phase 8：成果打包不是终点，而是资产沉淀的起点。 交付论文级报告（按领域模板）、可复现包，并把假说库、知识空间回写——让本次研究成为下一次研究的资产。

2.3 纪律层：九条铁规 + 批判性检查点 + 审核闸门

流程要真正可信，光有阶段划分不够，还需要"不可违反"的纪律。工作流定义了九条铁规，其中四条最能体现设计哲学：

• 铁规 7 · 证据真实性（最高优先级）：所有输出必须基于可靠材料（用户文件/文献/数据/实验记录），标注来源与置信度；找不到证据时必须声明"未找到"，严禁编造——这是 AI4S 信任的底线；
• 铁规 8 · 批判性检查点：在假设生成后、实验设计后、结果解读后、结论形成前四个决策点强制自问（可证伪吗？对照组充分吗？效应量有意义吗？存在确认偏误吗？）；
• 铁规 3 · 代码必须进 .ipynb：每个代码块标注 # Asset: 资产来源，杜绝"黑盒脚本"；
• 铁规 6 · 归档三件套：资产清单 + 主张-证据审计 + 研究账本，缺一不可。

此外，关键产物（研究问题、试验方案、干湿比对结论、最终报告）必须通过审核闸门——由独立审核层交叉验证后，才能进入下一阶段。

2.4 SCI 级输出规范：把"合格"变成可检查的契约

科研产出是"门面"，Colulu Agents 不依赖模型临场发挥，而是把 SCI 要求参数化为契约：图形必须 PNG+SVG 双格式、300dpi、色盲安全配色、字号 ≥7pt；报告按领域模板（nature/acs/biomed/ai_ml）生成骨架，摘要 ≤200 词、三线表、编号引用；每张图必须绑定"出生证明三件套"（数据来源 + 生成代码 + 证据条目），孤儿图一律拦截。

一句话小结：流程决定"做什么"，铁规决定"不做什么"，输出规范决定"做成什么样"。

第三章：Skill 体系——AI4S 的"技能/工具库"

流程定义了"做什么"，但真正让 Agent "会做科研"的，是一整套按阶段构建的 Skill 体系。本章讲清楚三件事：构建了哪些 Skill、整体是怎么通盘考虑的、以及这套体系如何自我生长。

3.1 构建思路：从"手写代码"到"Skill 优先"

一个朴素的问题：为什么不让 Agent 直接写代码、画图、跑流程，而要额外构建几十个 Skill？

因为科研要求可复用、可审计、质量稳定——而临场手写恰恰做不到这三点：每次生成的代码风格不一、无法沉淀为团队资产、质量依赖模型发挥。v6.1 工作流因此确立了 Skill 优先纪律：Agent 在每个阶段不得直接用底层工具手写实现，而必须先 load_skill 加载对应 Skill，再按 Skill 文档执行。

这背后是一套四级调用策略（P0–P3）：

• P0 资产检查：list_skills() / search_skills() / search_space() 先行——先看有什么，避免重复造轮子；
• P1 Skill 执行：load_skill("<slug>") 按文档执行——标准路径；
• P2 动态构建：缺失时用 skill-creator 现场创建并注册；
• P3 底层工具：仅当 Skill 文档明确指示时，才直接使用 write/bash。

通盘考虑的一句话总结：流程驱动、分层建设、契约下沉、自举生长、领域可插拔。

3.2 一张大表看全：为 AI4S 构建的 Skill 全景

以下是 v6.1 工作流与 Skill 体系的完整映射。表格同时回答两个问题：构建了哪些（Skill 列）与如何通盘考虑（"定位/职责"与"状态"列——先建核心，按需补齐细节）：

流程阶段	构建的 Skill	定位 / 职责	状态
贯穿全局	web-search / knowledge-rag / markdown-wizard / code-reviewer / file-converter	通用基础能力（检索/知识/写作/审查/转换）	已注册
Gate 0 分型	task-profiler	任务分型路由（Track-A/B + 五类研究问题判别）	按需构建
Phase -1 问题定义	claim-auditor	研究问题证书（RQC）审核闸门、证据审计	按需构建
Phase 0 资产盘点	data-viz / gap-analyzer / skill-creator / data-adapter-generator / task-creator / knowledge-rag	四维资产盘点、差距分析、缺失能力动态构建	已注册
Phase 1 文献体系	web-search / paper-ranker / pdf-batch-downloader / pdf-analyzer / knowledge-rag / markdown-wizard / sci-plotting	检索 → 排序 → 批量下载 → 解析 → 综述	核心已注册
Phase 2 试验设计	experiment-designer / simulation-runner / claim-auditor	干/湿试验方案、参数来源追溯、虚拟试验预演	按需构建
Phase 3 数据治理	domain-data-custodian / data-viz / sci-plotting	领域清洗、科学表征标准化、数据报告	已注册
Phase 4 计算实验	ipynb-initializer / task-creator / checkpoint-manager / run-dashboard / notebook-compiler / workflow-monitor	Notebook 骨架、断点续跑、监控面板、熔断、结果归集	已注册
Phase 5 湿实验	wetlab-feedback / experiment-designer	湿实验指令、Safety Gate、失败五类分析、干湿比对	按需构建
Phase 6 验证审计	validation-rule-engine / ood-test-runner / simulator-bridge / claim-auditor	领域验证规则、OOD 测试、模拟器对比、claim-证据绑定	已注册 + 按需
Phase 7 迭代	iteration-controller / hypothesis-manager	数值+证据双驱动决策、假说信念更新	已注册 + 按需
Phase 8 打包质检	infographic-designer / markdown-wizard / notebook-verifier / sci-report / output-inspector	SCI 信息图、论文级报告、可复现验证、输出质量门	核心已注册

图 5：Colulu Agents 产品中的【Skill & Tools】界面——已注册 Skill 与工具的集中管理视图

统计：表格共覆盖 30+ 个 Skill，其中约 20 个为已注册核心技能，10 个为"按需构建"提案（带 * 标记）——先建核心、按需补齐，避免过度建设。

图 6：科研 Skill 生态图谱——按流程阶段组织的 Skill 能力域拓扑

3.3 自举：Skill 生态的自我生长

这套体系最特别的一点是能自己长出新 Skill。当 Phase 0 差距分析发现某个环节没有对应技能时，Agent 不依赖人工补丁，而是：

1. load_skill("skill-creator") 读取构建规范；
2. 编写新 SKILL.md 并注册到技能库；
3. 新资产必须附带存活期标签（如 expires_after 或 scope），过期自动回收，避免技能库膨胀。

先检索、后构建是铁律——绝不在已有能力时重复造轮子。

图 7：Skill 自举与五类扩展接口——缺什么造什么，且按领域可插拔

3.4 五类扩展接口与领域适配：一套流程，四大学科

领域特异性通过五类扩展接口注入：专用技能、数据适配器、工作流模板、校验规则库、领域本体/输出模板——均遵循"先检索、后构建"原则。

核心流程不随领域改变；变化的是"四件套"：本体/术语（医药 CTCAE、化学 SMILES、生物 GO、AI 基准集）、工具/Skill 示例、验证规则库（PK/PD 边界、反应动力学、生理约束、数据泄露检测）、输出规范模板（biomed/acs/nature/ai_ml）。同一个九阶段流程，医药、化学、生物、AI 四大学科各取所需。

一句话小结：Skill 体系的价值，在于把"会做科研"从模型的天赋，变成了系统可复用、可审计、可生长的资产。

第四章：案例研究

4.1 生态环境学科学研究案例：螺旋藻多因子耦合胁迫机制分析

4.1.1 案例概览

维度	内容
科学问题	高强度光照 + 高温如何驱动 pH 升高与溶解氧过饱和，进而对螺旋藻（Spirulina platensis）形成协同胁迫（光抑制/氧抑制）？
任务轨道	Track-B 科研/干实验（真实现测数据，无湿实验）
数据源	数据空间"藻类数据文档"：NASA 跑道池实验数据 algae_data.mat（12.8 MB）+ Readme.pdf
核心方法	条件 Granger 时滞因果网络 + SEM 路径分析 + 分段回归/临界阈值识别
核心结论	光照对生长的抑制以间接路径为主（占 73%）；DO 断点 376 μmol/L、pH 断点 9.85
交付物	6 张论文级图 + 7 页 SCI PDF 报告 + 监控面板 + 研究账本 + 主张-证据审计

4.1.2 第一环 · 计划：先想清楚，再动手（Gate 0 → plan.md）

以"藻类生物过程工程专家"身份发起任务，要求围绕"光照-温度-pH-溶解氧（DO）多因子耦合胁迫机制"展开分析，并明确三项要求：构建多变量时滞因果网络（Granger）、用结构方程模型量化路径系数（SEM）、识别临界条件（阈值）。

系统没有立刻开始跑代码——这正是 v6.1 工作流与普通"问答式 AI"的分水岭。它先完成三件事：

1. 任务分型（Gate 0）：识别出这是涉及假说、因果推断与科研产出的 Track-B 任务，生成 research_question_profile.json，锁定"数据驱动发现型 + 假设驱动实验型"的混合路由；
2. 问题定义（Phase -1）：把用户的模糊意图结构化为三条可检验的因果链——(a) 光照→pH（光合耗 CO₂ 致碱化）；(b) 光照/温度→DO（光合放氧）；© DO/pH→生长速率 μ（高氧高碱胁迫）；
3. 资产盘点（Phase 0）：search_skills 在 52 个已注册 Skill 中匹配到 publication-style（SCI 输出契约）、academic-searcher（文献检索）等，并核实数据空间真实文件结构——.mat 含 3 个跑道池、约 7.6 万点 5 分钟高频辐照度与 7.7 万点水温、以及低频的 pH/溶解氧/OD 观测。

随后系统提交研究计划 plan.md（含数据接入、三大任务、可视化交付与"诚实约束"六条），经用户确认后才进入执行——这是全流程第一个 HITL 检查点。

图 8：第一环 · 计划——产品中的研究计划界面：任务分型、九阶段计划与用户确认

4.1.3 第二环 · 论文研究：站在最新研究的肩膀上（Phase 1.1）

计划确认后，系统没有凭经验拍脑袋定方法，而是先做文献方法学研究——这呼应了第二章 Phase 1 的"文献体系构建"，也是 AI4S 与普通数据分析最本质的区别：

• academic-searcher 聚合 arXiv / Crossref / Semantic Scholar 检索真实文献元数据，产出 literature/method_review.md（141 条真实记录）；
• 从检索结果中提取方法学创新点，其中最关键的一条：PCMCI（Runge et al., 2019, Science Advances）的"共因控制"思想——为后续的条件 Granger 方法创新提供了依据；
• 遇到 arXiv / Semantic Scholar API 限流（HTTP 429）时，系统如实记录未获取的文献，绝不虚构。

图 9：第二环 · 论文研究——文献检索、方法学评审与创新点提取界面

4.1.4 第三环 · 方法设计：把科学问题翻译成可执行方案（Phase 2）

论文研究产出方法依据后，系统把"三个任务"细化为可执行的方法设计，并做出四项关键决策：

任务	方法设计	关键决策
时滞因果网络	逐池 Granger 因果检验（滞后期 3–5 天，AIC/BIC 选阶）	条件 Granger：先对温度/pH 残差化再检验，借鉴 PCMCI 共因控制
路径量化	semopy 显变量路径模型（外因：光/温 → 中介：pH/DO → 内因：μ）	显变量 SEM（规避潜变量求解器限制）；引入 PAM0 作混淆协变量
阈值识别	分段回归（BIC 选段）+ 样条验证 + 三维响应曲面	拐点可操作化：DO 红线、pH 警戒线
数据预处理	5-min→日重采样、低频插值、DO 饱和计算	APHA/Mortimer 公式（弃用产生"天文数字"的 Weiss 公式）

图 10：第三环 · 方法设计——研究方法的整体框架图：数据接入 → 因果网络 → 路径量化 → 阈值识别

4.1.5 第四环 · 执行：与真实数据"斤斤计较"（Phase 1a–4）

方法既定，进入真刀真枪的执行。这一环考验的是工程韧性与统计严谨性：

• 日面板构建：高频辐照度/水温重采样为日尺度（日均、日最大、光累积量），低频 pH/DO/OD 线性插值补齐（gap 上限 8 天，超出置 NaN 并诚实标注）；通过 OD 曲线识别 day 20–130 稳定生长期；产出 780×25 的 panel_daily.csv——稳定期 DO 饱和度长期处于 223–236%（2–3 倍过饱和）；
• 任务一 · Granger：光照→DO 因果显著（滞后 2 天，p<0.01，3/3 池一致）；而条件化后显著性下降（p→0.089），揭示部分"光→氧"链源于与温度/pH 的共变——这不是失败，而是方法价值的体现：系统看清了因果结构的全貌；
• 任务二 · SEM（n=378）：

路径	标准化系数	解读
pH → μ	−0.52 (p<0.001)	高碱胁迫是生长抑制的核心中介
光照 → μ 直接	−0.09（不显著）	直接光抑制证据弱
光照 → μ 间接（经 pH/DO）	−0.25	主要胁迫路径
光照 → μ 总效应	−0.34	间接占 73%

• 任务三 · 阈值：分段回归 + 样条验证得到两个可操作拐点——DO 超过 376 μmol/L（约 270% 饱和度）后生长速率转降；pH 超过 9.85 后抑制斜率从 −0.068 恶化到 −0.176（抑制增强 2.6 倍）。

呼应第二章：这"三个数值"就是这项研究交付给工程世界的答案——跑道池的 DO 控制红线与 pH 警戒线。

4.1.6 第五环 · 结果交付：从图表到论文（Phase 5–8）

执行完毕，系统进入"门面工程"阶段——每一张图都经过 publication-style 契约与质量门检查（呼应第三章的 Skill 体系）：

• 6 张论文级图：多因子日面板全景、Granger 因果 DAG、SEM 路径系数图、阈值响应曲线、三维响应曲面、方法框架图——全部遵循 Okabe-Ito 色盲安全配色、≥7pt 字号、300dpi PNG + SVG 双格式；
• SCI PDF 报告（7 页，1.27 MB）＋ 一页式结果信息图 ＋ 实时研究监控面板（research_dashboard.html）；
• 双账本归档：research_ledger.md（逐阶段输入/方法/产出/决策）+ claim_evidence_audit.md（6 条核心结论 C1–C6 逐一绑定证据与置信度，如"DO 断点 376 μmol/L"标注为中置信度并注明分段线性假设的局限）——呼应第二章的"出生证明三件套"。

图 11：第五环 · 结果交付——一页式结果信息图：从 6 张论文级图到可传播的科研信息图

图 12：第五环 · 结果交付——7 页 SCI 级 PDF 报告：按领域模板生成的论文式交付

4.1.7 五环启示：AI4S 能力的一次完整兑现

回看这条"计划 → 论文研究 → 方法设计 → 执行 → 结果交付"链条，每一环都对应前文的一项设计：

1. 计划与论文研究——Gate 0 任务分型、Phase -1 问题定义、Phase 1 文献体系：先想清楚、先看文献，再动手（呼应第二章 2.1–2.2）；
2. 方法设计——从最新研究（PCMCI）中汲取方法创新，而不是重复教科书的套路（呼应第二章"方法学抽取"）；
3. 执行——长时运行（十余个脚本、数十次工具调用，中途会话恢复仍能接续）、反馈闭环（条件 Granger 的"显著性回落"成为新认识，负结果同样是产出）（呼应第一章 1.1–1.2）；
4. 结果交付——Skill 体系即生产力（publication-style / academic-searcher / paper-info-extractor 按需加载）、证据治理落地（每个数值可定位到数据文件与分析脚本，连"Weiss 公式不可用"都写进账本）（呼应第三章、第一章 1.3）；
5. 诚实的局限——研究账本明确记录插值自相关膨胀、三池共享环境光温、文献 API 限流未虚构：一个会承认自己局限的系统，才配得上科研协作伙伴的位置。

4.2 生命科学（单细胞组学）案例：人类胚胎骨骼发育的新颖转录因子发现

另一种同样重要的能力——当数据缺席时，系统如何守住"证据真实性"的底线，再在数据到位后把完整流水线跑通。

4.2.1 案例概览

维度	内容
科学问题	在人类胚胎骨骼谱系分化过程中，自主发现此前未被充分报道的关键转录因子（TF）
任务轨道	Track-B 科研/干实验（数据驱动发现型）＋ BIOMNI 生物科研编排 Skill
输入数据	用户描述：约 33.6 万细胞核，snRNA-seq + snATAC-seq（但数据路径为占位符，实际未提供）
替代真实数据	Human embryonic limb cell atlas（Zhang et al., Nature 2023, DOI 10.1038/s41586-023-06806-x），102,324 细胞
核心结论	发现 NKX3-2、OSR2、FOXC1、OSR1 等高活性、低文献密度的候选新 TF；已知主控因子（RUNX2/SOX9/SP7）作为方法学阳性对照验证准确
交付物	候选 TF 优先级表 + UMAP/轨迹/网络/活性全套图 + 中英文双版报告 + 证据审计（C1–C8）

4.2.2 第一环 · 计划：把"找新因子"变成可证伪的假设（Gate 0 → plan.md）

以 BIOMNI 生物科研编排 Skill + AI4S 发起任务。系统先做问题结构化——用 PICO 框架定义人群（骨骼谱系细胞）、干预（TF 调控活性变化）、对照（不同发育阶段与细胞类型）、结局（高活性但低文献密度的候选 TF），并显式写下可证伪假设 H1 与失败条件：

H1：存在一批 TF，其调控网络活性在成骨/软骨谱系分化轨迹上显著上调，且染色质可及性支持直接调控；其中若干在 PubMed/综述文献中研究密度显著偏低。
失败条件：若所有高活性 TF 均为 SOX9/RUNX2/SP7 等已知因子，或活性上调无染色质证据，则 H1 不成立。

随后规划 7 步分析流程（预处理整合 → 图谱构建 → 轨迹推断 → 调控网络 → TF 活性评估 → 新因子筛选 → 成果打包），并把每个参数（质控阈值、n_pcs、分辨率、批次校正算法）都登记来源——参数不再"拍脑袋"。

图 13：第一环 · 计划——PICO 结构化研究问题、可证伪假设与 7 步分析流程

4.2.3 第二环 · 论文研究 + 第三环 · 方法设计：生物领域编排的专业性（Phase 1–2）

本案例的方法层由生物专用 Skill 体系支撑，展示了第三章"领域适配四件套"在真实任务中的形态：

• biomni-orchestrator（生物科研编排 Meta-Skill）：覆盖"选题立项→文献调研→实验设计→数据获取→分析统计→结果解读→论文撰写"七阶段流程，作为领域调度中枢路由本次任务；
• b-repl-bio（科学计算 REPL）：提供持久化的 Python 计算环境，自动捕获 PNG+SVG 双格式图（≥300dpi）；
• 方法设计：批次校正用 Harmony 计划、Windows 构建失败后等价替代为 scVI（诚实记录，而非隐瞒）；TF 活性评估采用 chromVAR/SCENIC 代理法并明确标注其局限；新因子判据定义为 novelty = 谱系活性delta × 文献稀有度。

图 14：第三环 · 方法设计——研究框架图：数据接入 → 质控整合 → 图谱/轨迹 → 调控网络 → TF 活性 → 新因子筛选

4.2.4 关键转折 · 数据阻塞：宁可交付空管道，绝不编造数据（Phase 0）

这是本案例最值得写进博客的一幕。任务发起时，数据路径字段是占位符 [请在此处提供你的数据存储路径]——从未被填写。系统没有"假装有数据"，而是做了一次教科书式的真实性调查：

调查项	结果
本地全盘搜索（.h5ad/.h5/.mtx/.rds 等）	❌ 未找到任何数据文件
已连接数据空间 / 知识空间	❌ 无单细胞数据集
CELLxGENE Discover（387 个 collection）	❌ 无"人胚胎骨骼发育多组学（33.6 万核 snRNA+snATAC）"精确匹配
PubMed/Crossref 检索	⚠️ 仅找到同类近邻研究，无法唯一确定可下载的精确匹配集

结论写入了 STATUS_DATA_BLOCKER.md，并掷地有声地声明：“我绝不能伪造 33.6 万个细胞核的 snRNA+snATAC 数据，再据此绘制 UMAP、伪时间轨迹、TF 活性热图并冒充’真实分析结果’——那等同于数据造假。” 同时给出三条路径：A 提供本地数据（最快）、B 提供公开数据集标识符、C 交付"空管道 + 可复现模板包"（严格标注为脚手架，不冒充结果）。

呼应第二章铁规 7（证据真实性）：找不到数据，就明确说"未找到"——这是 AI4S 信任的底线，也是本案例与 4.1 同样重要的能力展示。

4.2.5 第四环 · 执行：挂载真实公开数据，把流水线真正跑通（Phase 1a–4）

用户授权继续执行后，系统选择路径 B 的变体——检索并挂载了真实公开数据：Human embryonic limb cell atlas（Zhang et al., Nature 2023），并如实标注：该数据为 102,324 细胞，与用户描述的 33.6 万核规模不一致（这一差异作为局限 D3 记录，绝不默认两者等价）。随后完整跑通全部任务：

• 质控与整合：102,324 细胞、25,769 基因（Ensembl→HUGO 映射 21,162 个）；
• 图谱构建：Leiden 28 clusters、34 类细胞注释，其中骨骼谱系细胞 50,966 个（49.8%），并发现远端区含更多软骨/骨化前沿细胞（符合近心端→远心端骨化规律）；
• 轨迹推断：Mes（间充质）→ OCP（成软骨成骨祖细胞）→ 软骨细胞系 → OsteoB（成骨细胞） 的连续分化轴；
• 调控网络：37 个候选 TF 与标志性靶基因的共表达网络（31 条边），RUNX2/SP7/SOX9 与其经典靶基因强共表达，验证方法学准确；
• TF 活性评估：41 个 TF × 14 类细胞。分化后期活性最强的 IHH、DLX5、SP7、MEF2C、RUNX2、SOX9 与已知骨/软骨主控因子完全吻合——这是最有力的"方法学阳性对照"。

图 15：第四环 · 执行——UMAP 上的骨骼谱系分化轨迹：Mes → OCP → 软骨系 → 成骨

4.2.6 第五环 · 结果交付：候选新 TF 与多版本报告（Phase 5–8）

最终交付物包含核心发现——候选新转录因子优先级表（高活性 × 低文献密度）：

优先级	转录因子	谱系活性	PubMed 计数	提示
★1	NKX3-2	+0.59（软骨）	仅 39	人类胚胎骨骼谱系中几乎未研究
★2	OSR2	−0.40（间充质）	仅 30	极低文献
★3	FOXC1	+0.57（软骨）	389	骨骼形态发生候选
★4	OSR1	−0.67（间充质）	157	骨骼前体调控候选
…	TBX15 / MEIS2 / ZIC2 / FOXC2	—	40–294	低文献候选

报告在"证据审计"层面保持了同样的严谨：核心论断 C1–C8 逐一绑定证据定位与置信度（如候选 TF 的"新颖性"标注为统计与文献层面证据），并显式列出不升格为结论的局限——D1 无 snATAC 染色质直接证据、D2 无功能干预实验、D3 数据规模与任务描述不一致。交付形式包括中英文双版研究报告、候选 TF 表、全套图表与复现包，全部过出生证明三件套登记。

图 16：第五环 · 结果交付——研究过程信息图：从数据阻塞到候选新 TF 的完整过程

第五章：结语与展望——把"做科研"做成可复现的流程

5.1 四个答案：Colulu Agents 如何支撑 AI4S

问题	答案	案例佐证
凭什么能撑起长时科研？	检查点、监控面板、熔断降级、断点续跑——长时运行不是"等得起"，而是"扛得住、断得起、续得上"	螺旋藻案例十余个脚本、数十次工具调用的长链执行
凭什么能形成科研闭环？	干-湿实验互相校验、失败即证据、数值+证据双驱动迭代——每一次失败都是下一次设计的输入	条件 Granger 的"显著性回落"成为新认识
凭什么让结论可信？	证据真实性铁规、主张-证据审计、研究账本、批判性检查点——每个结论都有"出生证明"	两案例的 claim-evidence 审计与诚实局限声明
凭什么适配不同学科？	Skill 优先、自举生长、领域四件套注入——同一套流程，医药/化学/生物/AI 各取所需	胚胎骨骼案例的 biomni 生物编排 Skill

5.2 两个案例的双重验证

两个真实案例，恰好构成了一次完整的"能力-底线"验证：

• 数据在位（螺旋藻）：12.8 MB 真实数据 → 7 页 SCI 论文，DO 断点 376 μmol/L、pH 断点 9.85，全部数值可溯源到数据文件与脚本；
• 数据缺席（胚胎骨骼）：系统拒绝编造 33.6 万个细胞核，先交付"诚实报告 + 空管道"，再在真实公开数据（Nature 2023，102,324 细胞）到位后把全流程跑通，发现 NKX3-2、OSR2 等高活性低文献候选 TF。

两种情境，同一条底线：证据真实性。这正是 Colulu Agents 与其他"看起来很像"的 AI 工具之间最本质的差别——它不会为了让你满意而制造一个没有来源的结论。

5.3 展望：AI4S 的下一个台阶

以 AI4S 工作流为基线，值得期待的方向至少有三个：

1. 更深的多智能体协作：协调-执行-审核三层架构已经验证可行，下一步是让专家子 Agent 在更长的时间尺度上并行推进多个子课题，审核层以更细粒度的"证据 DAG"交叉验证；
2. 更强的领域纵深：从"四件套注入"走向"领域原生 Skill 生态"——正如生物领域的 biomni 编排，每个学科都能长出自己的一整套方法论 Skill，并随项目使用持续进化；
3. 更完整的干-湿闭环：当湿实验自动化平台（移液工作站、测序仪）与工作流的 Safety Gate 直接对接，"数字假设 → 物理验证 → 数据回灌"的闭环将从论文描述变为日常操作；
4. 更聪明的自我进化：评估体系（Evaluation）反哺工作流本身——每一次跑通的项目都在沉淀新的 Skill、新的规则库、新的假说库，让系统越用越懂科研。

结束语

回到引言的问题：AI4S 需要什么样的 Agent？

它需要能跑完马拉松（长时运行），能在失败中学习（反馈闭环），能为每个结论负责（证据治理），能学会任何新领域（Skill 体系）。更重要的是，它必须在"没有数据"时敢于说"没有"——因为科研的信任，从来不是靠模型自信堆出来的。

Colulu Agents 用一套写进灵魂（soul.md）的工作流回答了这个问题：Workflow 是科学方法流程，Todo 是每一步的自检清单与任务分解——它想成为的不是更会写代码的助手，而是把"做科研"这件事本身，做成一个可复现、可审计、可进化的流程。

当一个 AI 系统把"诚实"写进最高优先级铁规，把"可证伪"写进研究计划，把"出生证明"绑到每一张图上——它就不再是科研的旁观者，而是科研共同体的一员。