文獻在這裡、實驗在 SSH、畫圖在腳本：SciForge 想把科研工作流裝回同一張桌子

LLM 寫程式的能力已經上來了，但科研日常還是碎的。讀文獻用一套工具，跑實驗靠 SSH 連進伺服器，畫圖另外寫支腳本，寫作又是另一個視窗。V2EX 開發者 shunwoit 近日分享的開源專案 SciForge，針對的就是這個「工具很多、流程不通」的處境。專案定位是本地優先的深度學習科研 Agent Harness，原始碼以 MIT 授權放在 GitHub 上。

「本地優先」四個字是理解這個專案的入口。模型預設走 deepseek-flash 與 deepseek-v4-pro，也支援任何 OpenAI 相容的 API，但工具本體、GUI、測試全在使用者自己的機器上跑。八個網頁頁面用原生前端寫成，無構建流程、無 CDN 依賴，這對於實驗資料不能出門的科研環境來說，是比功能清單更實際的設計。

四層架構：把「做研究的方法」和「做研究的手」分開

SciForge 把科研拆成四層。最底層是 Skill，收了 24 個方法論條目，相容 DSH 與 Claude Code 規範；往上是 Tool，46 個確定性能力，從文獻檢索、精讀、SSH 到實驗、配圖、寫作。再往上，Pipeline 層提供 7 條現成的 Recipe，包括 full、survey、experiment、paper、daily、figure、litreview。最外層是 GUI 的八個本地頁面。

這個分法可以用人來比喻：Skill 是「知道該怎麼做研究」的師傅經驗，Tool 是「手上有傢夥」的工具箱，Pipeline 則是把兩者串成標準作業程序。確定性工具這個用語值得注意，它意味著檢索就是檢索、SSH 就是 SSH，結果可預期，模型只負責調度與判斷，不親手碰那些容易出錯的細節。這與我們先前談過的Harness 這層包在模型外面的程式碼邏輯一致：模型決定上限，外面的馬具決定下限。

工程面：原生前端與 355 個離線測試

技術棧是 Python 3.12 搭 Typer 與 FastAPI，前端不經構建、不拉 CDN，開箱即開。測試有 355 個離線測試，CI 覆蓋 Python 3.10 與 3.12 兩個版本。對一個個人開源專案來說，離線測試的數量與雙版本 CI 是少見的紀律，這通常反映作者自己每天都在用，壞了會先砸到自己的實驗。

這種「自己先是用戶」的性質，也出現在近期不少週末誕生的開源工具，例如一個週末寫完的 frpc 管理工具 FrpcDeck。差別在於 FrpcDeck 解決的是單點配置，SciForge 賭的是整條科研流程能不能被 Agent 串起來，野心與風險都大一級。

所以呢：對誰有用，還缺什麼

對深度學習方向的研究生與研究人員，SciForge 提供的是一個可以直接 fork 的起點：Recipe 已經把 survey、實驗、寫作幾種常見流程定義好，Skill 相容主流規範也降低了移植成本。對一般開發者，它的價值在於示範了「本地優先 Agent 應用」的一種務實做法，前端不構建、模型可替換、測試離線跑。

目前 V2EX 原帖尚無討論回覆，GitHub 上的社羣反應與實際使用體驗仍有待觀察。7 條 Recipe 能覆蓋多少真實課題、24 個 Skill 的方法論品質如何，這些都屬於需要實際跑過才知道的部分，在更多使用者回報之前，宜把它看作一個方向明確、工程紀律不錯的早期專案，而非現成可依賴的科研基礎設施。