能力标签
科学AI助手
⚙️
Agent工作流

科学AI助手

基于 Python · 无代码搭建完整 AI 自动化流程
英文名:Perspicacite-AI
⭐ 15 Stars 🍴 3 Forks 💻 Python 📄 Apache-2.0 🏷 AI 8.0分
8.0AI 综合评分
AI科学研究工作流
✦ AI Skill Hub 推荐

经 AI Skill Hub 精选评估,科学AI助手 获评「强烈推荐」。这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色,AI 评分 8.0 分,适合有一定技术背景的用户使用。

📚 深度解析

科学AI助手 是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升,基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化(模拟鼠标键盘操作),AI Agent 工作流通过理解任务意图、动态规划执行路径,能够处理更复杂的非结构化任务。

科学AI助手 工作流的设计遵循"最小配置,最大复用"原则:核心逻辑已经封装好,用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制,在网络波动或 API 限速等情况下仍能稳定运行,适合作为生产环境的自动化基础设施。

在实际部署时,建议先在测试环境中运行 3-5 次,验证各个环节的输出结果符合预期,再部署到生产环境。AI Skill Hub 评分 8.0 分,是同类 Agent 工作流中的精选推荐。

📋 工具概览

科学AI助手 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排,将复杂的多步骤任务拆解为清晰的自动化流程,实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成,适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

GitHub Stars
⭐ 15
开发语言
Python
支持平台
Windows / macOS / Linux
维护状态
轻量级项目,按需更新
开源协议
Apache-2.0
AI 综合评分
8.0 分
工具类型
Agent工作流
Forks
3

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理,如需查看完整原始文档请访问底部「原始来源」。

科学AI助手 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排,将复杂的多步骤任务拆解为清晰的自动化流程,实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成,适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

📌 核心特色
  • 可视化 Agent 工作流编排,无需编写复杂代码
  • 支持多步骤自动化任务链,实现全流程无人值守
  • 与外部 API、数据库和第三方服务无缝集成
  • 内置错误处理与自动重试机制,保障稳定运行
  • 提供可复用的自动化模板,快速在同类场景部署
🎯 主要使用场景
  • 自动化日常重复性工作,将精力集中于创造性任务
  • 构建数据采集 → 处理 → 输出的完整自动化管线
  • 实现跨平台、跨系统的数据流转和业务协同
以下安装命令基于项目开发语言和类型自动生成,实际以官方 README 为准。
安装命令
# 方式一:pip 安装(推荐)
pip install perspicacite-ai

# 方式二:虚拟环境安装(推荐生产环境)
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install perspicacite-ai

# 方式三:从源码安装(获取最新功能)
git clone https://github.com/HolobiomicsLab/Perspicacite-AI
cd Perspicacite-AI
pip install -e .

# 验证安装
python -c "import perspicacite_ai; print('安装成功')"
📋 安装步骤说明
  1. 访问 GitHub 仓库获取工作流文件
  2. 在对应平台(Dify / Flowise / Make 等)中找到「导入工作流」功能
  3. 上传工作流文件
  4. 按照提示配置必要的环境变量和 API Key
  5. 运行测试确认流程正常后投入使用
以下用法示例由 AI Skill Hub 整理,涵盖最常见的使用场景。
常用命令 / 代码示例
# 命令行使用
perspicacite-ai --help

# 基本用法
perspicacite-ai input_file -o output_file

# Python 代码中调用
import perspicacite_ai

# 示例
result = perspicacite_ai.process("input")
print(result)
以下配置示例基于典型使用场景生成,具体参数请参照官方文档调整。
配置示例
# perspicacite-ai 配置文件示例(config.yml)
app:
  name: "perspicacite-ai"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
perspicacite-ai --config config.yml

# 或通过环境变量配置
export PERSPICACITE_AI_API_KEY="your-key"
export PERSPICACITE_AI_OUTPUT_DIR="./output"
📑 README 深度解析 真实文档 完整度 74/100 查看 GitHub 原文 →
以下内容由系统直接从 GitHub README 解析整理,保留代码块、表格与列表结构。

简介

Features

  • Multi-database search — Semantic Scholar, OpenAlex, PubMed, arXiv, HAL, DBLP via SciLEx
  • Unified content pipeline — PMC JATS XML, arXiv HTML, OA PDFs, publisher APIs, and institutional-access via browser-cookie replay; quality-priority routing
  • PDF extraction — fast PyMuPDF text on every ingest, plus optional docling layout extraction for structured tables/figures (advanced, off by default)
  • 6 RAG modes — Basic, Advanced, Profound, Agentic, Literature Survey, Contradiction; per-stage LLM tiering (Haiku routing/screening, Sonnet synthesis)
  • Knowledge base management — BibTeX import, DOI bulk-add, local document ingest, Zotero-collection import; async ingestion with SSE progress streaming
  • Citation-graph expansion — forward + backward snowball over OpenAlex; automatic Semantic Scholar fallback for arXiv-seeded papers (see docs/concepts/citation-graph.md)
  • Honest sourcingPaperSource enum records the true origin of every paper (OPENALEX, PUBMED, ARXIV, CROSSREF, SEMANTIC_SCHOLAR, BIBTEX, LOCAL) — no generic WEB_SEARCH catch-all (see docs/reference/paper-source-enum.md)
  • MCP server — 32 tools at /mcp for integration with Mimosa-AI, Claude Code, SmolAgents, Codex
  • REST API — full JSON API with SSE streaming for async jobs
  • Provenance tracking — per-answer retrieval trace stored in SQLite; exportable as RO-Crate 1.1 zip
  • Auto KB routingkb_name: "auto" scores all KBs against your query (BM25 or LLM) and fans across the top-N in parallel
  • Capsule enrichment — per-paper figures, references, code snippets, and supplementary files indexed alongside main text
  • Long-term preservation — PDF byte cache, Zotero attachment push (4-step file-upload protocol), BibTeX + PDF folder export, Obsidian vault export
  • Flexible LLM routing — direct API (Anthropic with prompt caching, OpenAI, DeepSeek, Gemini), Ollama (local), agent-CLI subprocess (Claude Code, Codex, OpenClaw, Hermes), MCP sampling
  • Local-first — data stays on your machine; no telemetry

---

Requirements

  • Python 3.12+
  • uv (recommended) or pip

Or from a live literature search (requires SciLEx extra)

uv pip install -e ".[scilex]" uv run perspicacite -c config.yml search-to-kb --query "diamond magnetometry" --kb sensors --max-results 20 ```

Full walkthrough: docs/getting-started.md.

---

Install

git clone https://github.com/HolobiomicsLab/Perspicacite-AI.git
cd Perspicacite-AI
uv sync

Quick Start

Configure

```bash cp config.example.yml config.yml cp .env.example .env

Edit .env — add at least one LLM API key

```

ProviderKey variableGet a key at
**DeepSeek** (default)DEEPSEEK_API_KEY[platform.deepseek.com](https://platform.deepseek.com/)
**OpenAI**OPENAI_API_KEY[platform.openai.com](https://platform.openai.com/)
**Anthropic**ANTHROPIC_API_KEY[console.anthropic.com](https://console.anthropic.com/)

Also set pdf_download.unpaywall_email in config.yml for open-access PDF discovery.

Configuration

Copy config.example.yml and edit. Key sections:

llm:
  default_provider: "deepseek"
  default_model: "deepseek-chat"

knowledge_base:
  embedding_model: "text-embedding-3-small"
  chunk_size: 1000

pdf_download:
  unpaywall_email: "your@email.com"

mcp:
  enabled: true

Full schema: docs/reference/config.md.

Ready-made presets live in configs/: LLM-provider presets under configs/llm/ (Ollama, Claude Code, Codex, Hermes, OpenClaw, OpenRouter-free) and embedding/retrieval presets under configs/embedders/ (bge-m3, openai-large, specter2, …). Point at one with -c, e.g. uv run perspicacite -c configs/embedders/bge_m3.yml serve.

---

Terminal 1 — backend: REST API on :8000, MCP at /mcp

uv run perspicacite -c config.yml serve

REST API

Full JSON API with SSE streaming. Key endpoints:

POST /api/chat · GET /api/kb · POST /api/kb/{name}/bibtex/async · POST /api/kb/{name}/dois/async · GET /api/jobs/{id}/events · GET /api/conversations/{id}/export

Full endpoint list: docs/reference/rest-api.md.

---

CLI Commands

perspicacite serve                  # Start server (web UI + MCP)
perspicacite create-kb NAME         # Create KB (from BibTeX with --from-bibtex)
perspicacite add-to-kb NAME         # Add papers to existing KB
perspicacite list-kb                # List all KBs
perspicacite query QUESTION         # Ask a question against a KB
perspicacite search-to-kb           # Build KB from a literature search
perspicacite expand-kb              # Grow KB via citation graph
perspicacite export-kb              # Export KB (BibTeX / Obsidian vault)
perspicacite screen-papers          # Score candidates by relevance (no server needed)
perspicacite pubmed-search          # Search PubMed to BibTeX (no server needed)
perspicacite import-browser-cookies # Export session cookies for institutional PDF access
perspicacite check-cookies          # Check cookie freshness
perspicacite build-capsule          # Build per-paper capsule (figures, SI, code)
perspicacite build-capsules         # Build capsules for all papers in a KB
perspicacite version                # Show installed version

Full flags and usage: docs/reference/cli.md.

---

🇨🇳 中文文档镜像 AI 翻译 2026-06-11
英文原文章节由系统翻译为中文摘要,便于快速理解。完整原文见上方 "📑 README 深度解析"。
📌 简介

Perspicacite-AI 是一个面向科研文献的智能知识库系统,整合多个学术数据库的语义搜索能力,支持跨源文献检索与统一处理。该项目通过 RAG(检索增强生成)技术和多层级 LLM 路由,为研究人员提供高效的文献综述、矛盾检测和知识提取能力。支持 REST API、MCP 协议和 Web UI 三种交互方式,可部署为本地服务或云端应用。

⚡ 功能介绍

项目提供多数据库语义搜索(Semantic Scholar、OpenAlex、PubMed、arXiv、HAL、DBLP via SciLEx);统一内容处理管道支持 PMC JATS XML、arXiv HTML、开放获取 PDF、出版商 API 和机构访问权限;6 种 RAG 模式(基础、高级、深度、智能体、文献综述、矛盾检测);分阶段 LLM 分级路由(Haiku 用于筛选,Sonnet 用于深度分析);异步任务处理和流式响应支持。

📋 环境依赖

需要 Python 3.12 或更高版本;推荐使用 uv 包管理器(或 pip)进行依赖安装。可选安装 SciLEx 扩展以启用实时文献搜索功能。系统支持多个 LLM 提供商(DeepSeek、OpenAI、Anthropic),需配置相应 API 密钥。

🛠 安装步骤(Docker/pip/源码)

通过 Git 克隆项目仓库,进入项目目录后使用 uv sync 安装依赖。若需 SciLEx 功能,执行 uv pip install -e ".[scilex]"。安装完成后可通过 CLI 命令或 Web UI 启动服务。支持本地开发环境和生产部署。

🚀 使用教程

通过 CLI 命令快速操作:perspicacite create-kb 创建知识库、perspicacite add-to-kb 添加文献、perspicacite query 提问查询。支持从 BibTeX 文件导入或实时文献搜索(需 SciLEx)。可通过 Web UI 在 localhost:3000 进行可视化操作,或调用 REST API 进行程序化集成。

⚙️ 配置说明(含 MCP / env)

复制 config.example.yml 和 .env.example 为工作配置文件。在 .env 中配置至少一个 LLM API 密钥(DeepSeek/OpenAI/Anthropic)。支持通过 config.yml 自定义 RAG 模式、LLM 分级策略、数据库源和处理参数。MCP 协议集成在后端服务中,可通过 /mcp 端点访问。

🔌 API 说明

后端提供 REST API(端口 8000)和 MCP 接口。主要端点包括 POST /api/chat(对话)、GET /api/kb(知识库列表)、POST /api/kb/{name}/bibtex/async(异步 BibTeX 导入)、GET /api/jobs/{id}/events(任务事件流)。支持 SSE 流式响应。完整端点文档见 docs/reference/rest-api.md。

🎯 aiskill88 AI 点评 A 级 2026-05-25

高质量的AI工作流项目

📚 实用指南(长尾问题)
适合谁
  • 需要让 Claude / Cursor 操作本地工具的 AI 工程师
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
最佳实践
  • 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC,避免暴露公网
  • 本地部署优先选 GGUF 量化模型,节省显存并保持响应速度
  • 分块大小建议 256-512 tokens,向量库优选 pgvector 或 Qdrant
  • Agent 任务先做 dry-run 验证工具调用链,再开启自主执行
常见错误
  • API key 直接提交到 git 仓库(请用 .env 并加入 .gitignore)
  • MCP 配置路径拼错或权限不足,重启 Claude Desktop 才生效
  • embedding 模型与查询模型不一致导致检索失效
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
  • Python 依赖冲突:建议用 venv / uv 隔离环境
部署方案
  • CLI:直接 npm install -g / pip install,命令行调用
  • 本地部署:CPU 8GB 起,GPU 推荐 16GB+ 显存
  • 云端托管:可放在 Vercel / Railway / Fly.io 等 PaaS 平台
相关搜索
Perspicacite-AI 中文教程Perspicacite-AI 安装报错怎么办Perspicacite-AI MCP 配置Perspicacite-AI Agent 工作流Perspicacite-AI 与同类工具对比Perspicacite-AI 最佳实践Perspicacite-AI 适合谁用

⚡ 核心功能

👥 适合谁
  • 需要让 Claude / Cursor 操作本地工具的 AI 工程师
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
⭐ 最佳实践
  • 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC,避免暴露公网
  • 本地部署优先选 GGUF 量化模型,节省显存并保持响应速度
  • 分块大小建议 256-512 tokens,向量库优选 pgvector 或 Qdrant
  • Agent 任务先做 dry-run 验证工具调用链,再开启自主执行
⚠️ 常见错误
  • API key 直接提交到 git 仓库(请用 .env 并加入 .gitignore)
  • MCP 配置路径拼错或权限不足,重启 Claude Desktop 才生效
  • embedding 模型与查询模型不一致导致检索失效
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型

👥 适合人群

自动化工程师和运维人员项目经理和业务分析师希望减少重复性工作的专业人士数字化转型团队

🎯 使用场景

  • 自动化日常重复性工作,将精力集中于创造性任务
  • 构建数据采集 → 处理 → 输出的完整自动化管线
  • 实现跨平台、跨系统的数据流转和业务协同

⚖️ 优点与不足

✅ 优点
  • +Apache-2.0 协议,可免费商用
  • +大幅减少重复性人工操作
  • +可视化流程,清晰直观
  • +可扩展性强,支持复杂场景
⚠️ 不足
  • 初始配置和调试需投入一定时间
  • 强依赖外部服务的稳定性
  • 复杂场景需具备一定技术基础
⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台,本页面信息基于公开数据整理,不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后,再部署至生产环境,并做好必要的安全评估。

📄 License 说明

✅ Apache 2.0 — 宽松开源协议,可商用,需保留版权声明和 NOTICE 文件,含专利授权条款。

🔗 相关工具推荐

📚 相关教程推荐
📰 相关 AI 新闻
🍿 AI 圈相关吃瓜
🗺️ 相关解决方案
🧩 你可能还需要
基于当前 Skill 的能力图谱,自动补全的工具组合

❓ 常见问题 FAQ

Perspicacite-AI 是一款Python开发的AI辅助工具。开源AI工作流:An agentic AI assistant designed for scientists, researchers, and students who w。⭐15 · Python 主要应用场景包括:文献搜索和分析。
💡 AI Skill Hub 点评

AI Skill Hub 点评:科学AI助手 的核心功能完整,质量优秀。对于自动化工程师和运维人员来说,这是一个值得纳入个人工具库的选择。建议先在非生产环境试用,再逐步推广。

⬇️ 获取与下载
⬇ 下载源码 ZIP

✅ Apache-2.0 协议 · 可免费商用 · 直接从 aiskill88 服务器下载,无需跳转 GitHub

📚 深入学习 科学AI助手
查看分步骤安装教程和完整使用指南,快速上手这款工具
🌐 原始信息
原始名称 Perspicacite-AI
原始描述 开源AI工作流:An agentic AI assistant designed for scientists, researchers, and students who w。⭐15 · Python
Topics AI科学研究工作流
GitHub https://github.com/HolobiomicsLab/Perspicacite-AI
License Apache-2.0
语言 Python
🔗 原始来源
🐙 GitHub 仓库  https://github.com/HolobiomicsLab/Perspicacite-AI 🌐 官方网站  https://holobiomicslab.cnrs.fr/

收录时间:2026-05-25 · 更新时间:2026-05-30 · License:Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。

📺 订阅 AI Skill Hub Daily Telegram 频道
每天 8 条精选 AI Skill、MCP、Agent 与自动化工具推送
加入频道 →