快速开始
这条路径只做一件事:让你尽快完成第一次可检查的 ScienceDiscovery 任务。
完成后,你应该能够:
- 打开 ScienceDiscovery;
- 配置一个可用的任务模型;
- 让 Agent 实际运行一次 Python 计算;
- 在工作区看到它交付的 Markdown 产物。
1. 按你的系统启动 ScienceDiscovery
Linux:使用预编译版本
如果你使用 glibc 2.28+ 的 Linux x86_64 或 aarch64,这是最短路径。 此发行包不能直接在 Alpine Linux 等使用 musl 的发行版上运行。
你需要:
- 一个可用的模型 API Key;
- Bubblewrap,用于隔离代码执行。
先安装 Bubblewrap:
sudo apt-get install -y bubblewrap # Debian / Ubuntu
# 或:sudo dnf install -y bubblewrap # Fedora / RHEL / openEuler
然后从 Releases 页面下载与你的架构匹配的 ScienceDiscovery 可执行文件,并将它重命名为 ScienceDiscovery。
在文件所在目录执行:
chmod +x ./ScienceDiscovery
./ScienceDiscovery serve
macOS:使用本地源码模式
macOS 13+ 的 x64 和 arm64 均受支持。当前没有 macOS 预编译单文件版本, 本篇首次使用流程采用本地源码模式;沙箱使用系统自带的 Seatbelt, 不需要安装 Bubblewrap。macOS Docker 为实验性路径,详见部署指南。
先确认本机已有:
- Node.js 22.19+;
- pnpm 11.1.2;
python33.9+;- uv 0.9+;
- Git;
- curl;
- 一个可用的模型 API Key。
然后执行:
git clone https://github.com/openJiuwen-ai/sciencediscovery.git
cd sciencediscovery
scripts/jiuwenswarm.sh setup
./scripts/start-stack.sh --mode local
此命令默认启动 JiuwenSwarm;行为与 native 切换方法见 Agent 后端。
第一次执行会安装和构建所需组件,因此需要联网,耗时也会比后续启动更长。
如果你已经完成过构建,之后可以用:
./scripts/start-stack.sh --mode local --no-build
Windows:使用 WSL 2 或 Docker(实验性)
所有 Windows 安装路径下的 Agent 运行效果尚未经过全面验证。
可以在 WSL 2 Linux 发行版中运行 Linux 预编译版 或本地源码模式; 也可以使用 Docker Desktop,按 Docker 部署步骤 运行 Linux 容器。服务启动后,继续阅读下文。
启动成功后
在三个系统上,启动成功后终端或 Docker 日志会显示 Open to sign in 链接。
用浏览器打开它即可进入 ScienceDiscovery。
使用预编译版或源码模式时,不要关掉启动终端;关闭它或按 Ctrl-C 会停止服务。 Docker 服务在后台运行。
如果没有看到登录链接、浏览器无法进入界面,或启动过程报错, 请按部署方式查看二进制与源码模式排障 或 Docker 常见问题。
Docker、离线环境、Linux 源码构建以及更完整的部署说明见部署指南。
2. 配置模型
打开 系统设置 → 模型注册表:
- 选择一个预置服务商,或手动添加服务商;
- 填写模型服务信息和 API Key;
- 点击保存并连接;
- 确认连通性测试通过,并选择一个全局默认任务模型。
这里填写的是模型服务商的 API Key。若连接失败,优先检查 API Key、服务商 URL、模型 ID 和网络连接。
3. 完成第一次科研任务
新建一个 Project 和 Session,把下面的任务完整粘贴到消息框:
请完成一个最小的数据分析任务,并把结果交付为可查看的科研产物。
数据如下:
temperature_c,yield_g
20,41
22,45
24,49
26,52
28,54
30,53
32,49
34,43
要求:
1. 将数据保存为 temperature_yield.csv。
2. 必须使用 Python 实际运行计算,不要只在回复中估算。
3. 计算平均产率、最高产率对应的温度,以及 temperature_c 与 yield_g 的 Pearson 相关系数。
4. 简要解释结果,并指出仅凭这组小样本不能得出因果结论。
5. 将完整分析写入 Markdown 文件 first-analysis.md,并把它登记为产物。
6. 最终回复中明确告诉我产物文件名。
如果首次代码执行出现权限确认,核对动作后批准,然后让任务继续完成。
这个任务的目的不是得到一个复杂的科研结论,而是确认 ScienceDiscovery 已经完成了一个最小闭环:理解任务 → 运行工具 → 产生文件 → 交付产物。
4. 确认你已经跑通
满足下面四项,就说明第一次使用成功:
- Session 中的任务已经结束,不再显示为运行中;
- 时间线中可以看到实际的代码执行记录;
- 工作区中可以看到
first-analysis.md; - 打开产物后,可以看到基于实际计算得到的数值和简短解释。
不同模型生成的文字可能不同,这是正常的;这里关心的是工具是否实际执行、产物是否真实生成。
5. 接下来做什么
- 想了解 ScienceDiscovery 能做什么:看核心能力。
- 想照着真实科研案例做一遍:看领域指南。
- 想跑一个具体的优化案例:看使用PUCT优化一个文本压缩算法。
- 想使用 Docker、源码构建或解决启动问题:看部署指南。