科研界的“App Store”:智能体广场如何帮你找到最趁手的科研工具

「磐石（壹科学）科研智能服务平台」已于 2026 年 6 月 30 日正式上线。这个平台面向 AI for Science 场景，把模型、数据、工具、知识库、算力资源和智能工作流组织在一起，帮助科研人员把想法更快变成可执行的研究任务。

今天，我们介绍六大功能中的“智能体广场”。它更像科研智能资源的统一入口：不用从零写 Agent、翻工具文档、反复试错，只要围绕研究任务去检索、筛选和查看，就能找到已经沉淀好的智能体、MCP 工具和 Skills 技能。

很多科研任务并不是缺少 AI，而是缺少“合适的 AI”。同样是处理文献，有的任务需要综述整理，有的任务需要结构化抽取；同样是做数据分析，有的任务需要调用脚本，有的任务需要连接外部工具，还有的任务需要多个智能体分工协作。

如果每一次都从模型选择、工具接入、流程搭建开始，科研人员的精力很容易被消耗在准备工作里。智能体广场要解决的，正是“去哪找能力、怎么判断适不适合、能不能快速用起来”的问题。

在智能体广场中，资源被组织为智能体、MCP（工具）和 Skills（技能）三大类。用户可以通过统一的搜索、学科筛选、排序和详情查看，快速缩小范围，找到更贴近特定研究方向或任务场景的解决方案。

这种组织方式的好处在于，科研人员不需要先理解背后所有技术细节。你可以先从任务出发，看看是否已有可复用智能体；如果需要扩展能力，再进一步查看它连接了哪些工具、调用了哪些技能，或者是否可以组合成新的工作流。

智能体广场页面

智能体模块汇集了经过验证的科研智能体。每个智能体均通过名称、描述、标签、更新时间及所属学科等维度构建完整画像，帮助科研人员快速判断其适用问题、覆盖领域及可信程度，从而决定是否深入试用。

对用户来说，这一步很像在应用商店里挑选应用：先看分类和描述，再看是否符合当前任务。不同的是，这里的“应用”不是面向日常生活，而是面向文献分析、材料预测、科研成果评价、多智能体协同等科研工作。

当找到合适的智能体后，用户可以进入配置或问答界面，进一步验证它的能力。也就是说，智能体广场不只是“看一看”，还连接着后续的配置、调试和实际交互。

这些创建方式对应的是不同层次的科研需求：简单任务可以先组装；复杂流程可以上画布；已有代码可以封装；不清楚怎么搭流程时，可以尝试用自然语言生成；需要分工协作时，则可以让多个智能体组成一个更大的任务团队。导入文件入口按平台当前支持情况展示，实际使用以页面提示为准。

一个智能体是否好用，关键不只在名字和简介，更在于它背后配置了什么能力。以组装式 Agent 为例，配置界面可以设置系统提示词、选择模型，并接入 Skills、知识库和 MCP 工具；右侧则可以通过即时对话测试效果。

这意味着科研人员可以边搭建、边验证：提示词是否清楚，模型是否合适，知识库是否能支撑当前任务，工具调用是否真的有用，都可以在调试过程中逐步收敛。

组装式 Agent 配置界面

如果任务更复杂，工作流 Agent 可以把科研过程拆成节点。LLM 节点负责理解与生成，代码节点负责计算与处理，MCP 节点负责调用外部工具，条件分支和循环节点则让流程具备更强的结构化执行能力。

工作流 Agent 画布界面

很多科研问题天然需要分工：有人负责提出假设，有人负责检索证据，有人负责数据处理，有人负责结论校验。多智能体协调 Agent 正是把这种分工逻辑搬到平台里。

在创建多智能体协调 Agent 时，平台支持顺序执行、群聊协作和层级委派等编排方式。顺序执行适合步骤清晰的流水线任务；群聊协作适合需要多角度补充观点的问题；层级委派则适合由一个协调者拆解任务、子智能体执行后再汇总结果。

多智能体协调 Agent界面

多智能体编排界面

在问答界面中，单智能体更像一个专门助手，多智能体则会呈现由哪些子智能体组成，以及它们如何围绕任务展开协作。用户既可以直接对话，也可以返回配置界面继续调整。

多智能体问答界面

如果说智能体是面向任务的“应用”，MCP 和 Skills 就是支撑这些应用运行的工具和技能。MCP（工具）模块提供标准化工具的简介和使用说明，帮助外部工具能力更顺畅地接入科研流程，降低工具集成门槛。

MCP（工具）资源展示界面

Skills（技能）模块则更强调场景化复用。它会展示技能适用于什么场景、会调用哪些工具、遵循怎样的工作流程、需要哪些参数。对科研人员来说，这相当于把一段可重复执行的科研操作沉淀下来，后续可以被智能体调用，也可以被组合进更复杂的任务链路。

Skills（技能）资源展示界面

当智能体、MCP 和 Skills 被放在同一个生态里，科研智能就从“单点能力”变成了“可发现、可组合、可复用”的能力网络。

智能体广场的价值，不只是让科研人员多一个入口浏览资源。更重要的是，它让科研智能能力有了更清晰的组织方式：智能体负责面向任务，MCP 负责连接工具，Skills 负责沉淀方法，三者共同支撑科研流程的复用和组合。

对普通科研人来说，这会带来一个很实际的变化：遇到问题时，不必先从“我要搭什么系统”开始，而是可以先问“有没有适合这个任务的智能体？它需要什么工具？能不能把已有技能接进来？”

这也是 AI for Science 从单点工具走向科研基础设施的重要一步。未来，越来越多科研能力会被沉淀为可共享、可复用、可组合的智能资源；而智能体广场，就是研究人员发现这些资源、试用这些资源、组织这些资源的入口。

科研界的“App Store”，真正连接的不是应用下载，而是一个个可以被科研人员拿来解决问题的智能能力。从找到最趁手的科研工具开始，智能科研的日常正在变得更轻、更快，也更容易协同。