Science Context Protocol：AI 科研 Agent 的全球协作网络 · 干货攻略

  • 链接: https://x.com/omarsar0/status/2007534188199813142
  • 分类: x-tips
  • 来源: X @omarsar0
  • 作者: Jay
  • 更新: 2026-07-21

这是什么

Science Context Protocol（SCP）是一个开源协议标准，由上海人工智能实验室（Yankai Jiang 等）提出，发表在 arXiv（2512.24189），GitHub 仓库为 InternScience/scp。

它的核心目标：为 AI 科研 Agent 提供一个全球性的协议层，让工具、模型、数据集乃至实验仪器能够跨平台、跨机构互联互通。

协议口号是「Breaking down tool barriers in scientific research」，让研究者专注于科学本身，让 AI Agent 成为真正的「实验设计者」。

为什么值得关注

科研 AI Agent 目前的主流困境是：每个实验室、每个项目都自建一套工具链，不同系统之间无法复用，做一次跨机构协作等于重新对接一遍。SCP 的出现正是要解决这个问题。

谁分享的：@omarsar0（Omar Sarwar，DAIR.AI 联合创始人），他是 AI 科研 Agent 领域的活跃声音，常年追踪 autonomous science 进展。

解决什么问题：

  1. 工具孤岛：每个 Agent 系统各接各的工具，没有统一描述规范，跨平台调用几乎不可能。
  2. 实验不可追溯：干实验（dry-lab，计算）和湿实验（wet-lab，实验室操作）之间缺乏统一上下文，实验结果无法完整复现。
  3. MCP 的局限：Anthropic 的 Model Context Protocol（MCP，2024 年 11 月发布）在通用场景下很好，但缺少实验协议结构化表示、高吞吐并行实验协调、多 Agent 协作等科研专属能力。

SCP 在 MCP 基础上增加了四项关键扩展： richer 实验元数据、集中式 Hub 替代点对点通信、工作流编排 API、实验室设备标准化驱动——专门为科研场景设计。

核验过程

官方来源

  • arXiv 摘要页（2512.24189）：确认论文来自上海 AI Lab，2025 年 12 月提交；两个核心支柱为 Unified Resource Integration 和 Orchestrated Experiment Lifecycle Management；论文 Demo 平台 Intern-Discovery 有 1,600+ 工具（arXiv 原文数字）。
  • GitHub README（InternScience/scp）：确认仓库为官方实现地址；README 显示目前已集成 2,200+ 科学工具（高于论文数字，GitHub 更新了规模）；协议采用 Apache 2.0 开源许可证；有 Hub-Spoke 架构图和 Quick Start 命令。
  • arXiv HTML 全文页：确认 SCP Hub 是全局注册中心，负责意图解析和工作流生成；SCP Server 为边缘节点；工作流以 JSON 格式存储作为各方契约保证可复现性。

交叉验证

  • The Decoder 报道：确认 SCP Hub 作为「大脑」承担全局工具注册和任务规划；平台工具分布：生物 45.9%、物理 21.1%、化学 11.6%、力学 8.7%、数学 8.0%、信息科学 4.6%（与 arXiv 原文一致）；工具类型分布：计算工具 39.1%、数据库 33.8%、模型服务 13.3%、实验室操作 7.7%、文献检索 6.1%（The Decoder 补充，arXiv 摘要未单独列出）。
  • X 原帖（@omarsar0）：与 arXiv 摘要内容一致，无夸大，1,600+ 工具数字与论文一致。

关键数字核验结论

数字 原帖说法 官方来源 结论
工具数量 1,600+ arXiv：1,600+；GitHub README：2,200+ GitHub 已更新，两者均真实，以最新版为准
学科分布 生物 45.9%、物理 21.1%... arXiv 摘要全文一致 ✅ 确认
MCP 基础 基于 Anthropic MCP，2024.11 The Decoder 报道一致 ✅ 确认
许可证 Apache 2.0 GitHub README 确认 ✅ 确认
实验生命周期五阶段 注册、规划、执行、监控、归档 arXiv HTML 全文 ✅ 确认

上手步骤

快速安装

# 克隆仓库
git clone https://github.com/InternScience/scp.git
cd scp

# 安装依赖
pip install -e .

使用托管 SCP Hub

不想自建服务？官方提供托管 Hub，访问 SCP Square 即可：

  • 提交自己的 SCP Server 到 Square，获取跨平台发现和访问能力
  • 在 Intern-Discovery 平台（discovery.intern-ai.org.cn）直接提交研究目标

工具生态浏览

官方维护了一个工具列表页面：SCP Tool List，可按学科和功能检索已接入工具。

工作流示例（概念）

当研究者或 Agent 提交一个科研目标后，SCP Hub 会：

  1. 意图解析：用 AI 模型理解目标，拆解为具体任务；
  2. 多计划生成：生成多个可执行计划，附带依赖结构、预期时长、实验风险和成本估算；
  3. 执行编排：Hub 监控进度、验证结果，出现异常时触发警告或降级策略；
  4. 全链路归档：工作流以 JSON 格式存储，作为各方契约保障可复现性。

坑与适用边界

⚠️ 适用边界

  • 目前主要是科研场景：如果你做的是通用应用开发，MCP 仍是首选；SCP 的差异化在于科研专属的工作流编排和干湿实验整合。
  • 生态仍在建设期：2,200+ 工具听起来很多，但覆盖的学科分布极不均匀——生物一家独大（45.9%），信息科学仅 4.6%。如果你做的是小众学科，工具可能尚未接入。
  • 物理仪器对接依赖驱动：湿实验工具需要相应的标准化驱动，实验室设备碎片化问题不是 SCP 单独能解决的。
  • Hub 中心化风险：Hub-Spoke 架构意味着 Hub 是单点——Hub 故障会影响全局调度；自建时要考虑高可用。

⚠️ 尚待观察

  • GitHub stars 和社区活跃度（原文未提供）；实际生产环境部署案例有待观察。
  • 与 Model Context Protocol（MCP）的关系是「扩展」而非「替代」，两者可以共存。

一句话结论

SCP（Science Context Protocol）是面向科研场景的 Agent 协作协议，通过统一工具描述规范和全链路实验生命周期管理，让 AI Agent 能跨机构、跨平台调用工具并保证实验可复现——如果你的 AI 应用涉及科研、多步骤实验、或需要连接真实实验室设备，它值得关注。