企业官网建设流程全解析

BrainPilot是一个开源的、人在回路的脑科学研究工作台，它把 AI Agent（智能体）引入完整科研流程：文献综述、假设细化、实验设计、数据分析、报告撰写到科学结论审查。你只需要在浏览器里提出研究问题，PI 智能体会协调文献、实验、工程、写作、审查等多个专业智能体协同工作，并通过 Graph of Trace 把每一步推理、工具调用和证据来源记录成可检查的科研轨迹。本文将从架构、技能库、本地知识库到快速上手，带你完整解读这套系统。

🧠 BrainPilot 是什么：一句话看懂它的定位

传统科研工作流高度依赖研究者个人：查文献、定方法、写代码、跑分析、画图写作，环节之间反复切换。BrainPilot 的思路是让AI Agent 接手证据密集、跨领域和重复性的任务，而研究者始终保留判断权和控制权——这就是所谓的「人在回路（Human-in-the-loop）」范式。

系统覆盖脑科学的主要研究方向，从 fMRI、EEG 等神经影像与电生理，到计算建模、疾病研究（阿尔茨海默、帕金森等），并集成了 7200+ 篇论文的知识库与 72 个领域技能。

🏗️ 核心架构：PI 智能体如何指挥一支「科研团队」

BrainPilot 的架构核心是PI Agent（Principal Investigator，主研究员智能体）。它与研究者对话、理解目标、规划任务，然后按职责把工作分派给一组专业智能体：

值得强调的是Auditor 审查智能体：它会专门审查科学结论、引用来源、缺乏支撑的推理和遗漏信息，相当于给研究结果加了一道「同行评审」式的质检。而Graph of Trace（GoT）则把任务结构、智能体行为、工具调用和证据流向可视化，研究者可以随时检查、回溯甚至回滚到某个检查点。

架构细节可参考项目总览文档：README-zh.md。

📚 内置技能库：72 个经过验证的领域方法学

BrainPilot 的一大亮点是内置的技能库（Skill Library）。技能以标准SKILL.md形式组织，覆盖 7 个主流研究领域：EEG/ERP、fMRI、计算神经科学、认知心理学、细胞分子神经科学、临床神经心理、文献数据库检索等。智能体可像「按需查手册」一样调用它们——每个技能的名称和摘要进入系统提示，完整内容按需读取（渐进式披露）。

技能来源包括 Awesome Cognitive & Neuroscience Skills、nature-skills、Google science skills，以及 MNE-Python、fMRIPrep、DeepLabCut、SpikeInterface 等成熟工具库的方法学集成。技能目录位于 packages/skills/skills/，按「领域分类/技能名/SKILL.md」两级组织。

更妙的是，你可以把论文、代码库、实验室 protocol 转成标准技能，逐步构建自己的方法学库——项目内置了paper-to-skill、repo-to-skill等元技能来辅助这一过程。

🗂️ 本地知识库：把论文变成智能体能检索的知识

BrainPilot 自带一套端到端的本地 RAG 流水线（位于 KnowledgeBase/ 目录）：把 PDF 放进源目录，四步离线入库——① OCR 文本提取 → ② LLM 元数据抽取 → ③ 文本分块 → ④ bge-m3 向量化，全程在本机运行，不需要任何第三方检索服务、不开公网端口。

索引完成后，智能体可以通过两个内置工具检索论文库：

• get_domain_knowledge_local：基于 bge-m3 召回 + bge-reranker-v2-m3 精排的向量检索
• search_papers_local：多条件元数据过滤 + 关键词排序检索

每个阶段都是幂等的——已处理过的 PDF 不会重复 OCR，增量构建非常友好。

流水线说明、增量语义与离线模式详见 KnowledgeBase/README.md；入库脚本入口为 KnowledgeBase/scripts/build_kb.py。

🚀 快速上手：三步启动你的脑科研工作台

BrainPilot 通过 npm 包@brainpilot/app以本地进程方式运行，无需 Docker，这是推荐的上手方式。

环境要求：Node.js ≥ 22，一个模型服务商 API Key（冒烟测试可先用BP_MOCK=1mock 模式）。

第 1 步：安装并启动

npm install -g @brainpilot/app@0.2.3 brainpilot up

然后在浏览器打开终端打印的本地地址（brainpilot命令有短别名bnpt）。

第 2 步：配置模型服务商

打开 Web UI 的Settings → Providers，添加服务商（支持 Anthropic Messages、OpenAI Completions、OpenAI Responses、Azure OpenAI Responses 四种协议），保存后点击Use。也可以用命令一行初始化：

brainpilot init --api-key <key> --base-url https://your-gateway.example.com/api --model your_model_name

第 3 步：跑一个小型首个任务

点击New chat，写清目标、期望输出和需要人工批准的步骤，例如：

为 fMRI 分析方案制作一份简短的复核清单。指出每项需要人工确认的假设。

常用命令还有：brainpilot status查看健康状态、brainpilot logs跟踪日志、brainpilot down停止后台服务。完整新手指南见 packages/docs/content/docs/getting-started.zh-cn.mdx。

🔬 真实研究案例：AI Agent 的科研成果经得起检验吗？

BrainPilot 公布了一系列使用真实脑科学数据的案例（均保留统计边界，不夸大结论）：

• RSC 空间编码：双光子钙成像 + 虚拟现实行为数据，held-out 贝叶斯位置解码 MAE = 16.8 cm、r = 0.646
• fMRI 疼痛功能连接：冻结的 279 脑区疼痛功能连接特征在 held-out 被试中 9/10 对疼痛条件响应更高，并在日本与英国队列中分别达到 AUC = 0.793 和 0.699
• EEG 运动想象解码：在 BCI Competition IV 2a 上，7/9 名被试准确率超过 EEGNet（0.580 → 0.620），但配对检验未达传统显著性阈值——这种「如实呈现不确定性」本身就是科研规范

在基准评测上，BrainPilot 搭载 DeepSeek-V4-Pro 在 ALE 三项脑科学任务中分别获得 1.00、0.70 和 0.09 分；在匹配 backbone 的比较中，其成本仅为 Codex 或 Claude Code 的5–56%，展现出明显的性价比优势。

⚠️ 使用建议与注意事项

1. 先做数据脱敏：不要上传可识别的受试者数据、原始临床记录或 API key，先完成去标识化并遵守机构伦理要求。
2. 人始终在回路：BrainPilot 让工作过程可检查，但不保证科学结论正确。依赖结果前，请在 Chat、Files、Agents、Trace 四个视图中核验输入文件、关键数值、统计假设与引用来源。
3. 本地模式无容器隔离：非 Docker 模式下智能体直接在机器上读写文件；需要沙箱隔离时使用 Docker 部署（见 docker-compose.yml）。
4. AI 生成技能需核验：部分技能由 AI 从文献或代码库提取，在真实研究中依赖之前，请先核验参数与引用。

常见问题 FAQ

问：必须用 Docker 吗？不需要。npm 本地进程方式是推荐的单用户方案；Docker 主要用于容器化部署和智能体沙箱隔离。

问：支持哪些模型？支持 Anthropic、OpenAI 兼容端点、OpenAI Responses、Azure OpenAI Responses 四类协议，可按服务商选择 Auto / 256K / 1M 上下文。

问：知识库里托管服务的脑科学语料可以下载吗？托管语料不随开源包分发，但你可以用自带的四步流水线构建自己的本地知识库，或接入你自己的检索型 MCP 服务。

问：如何从源码运行最新代码？

git clone https://gitcode.com/gh_mirrors/br/BrainPilot cd BrainPilot && npm install && npm run build npm run bp -- up

写在最后

BrainPilot 代表了「AI Agent 重塑科研」的一个务实方向：不是让 AI 替代研究者，而是让智能体团队承担查文献、跑流水线、写报告等重复劳动，让研究者聚焦于真正需要人类判断的环节。配合 72 个领域技能、本地知识库和可回溯的 Graph of Trace，它已经能够独立完成从 RSC 空间解码到 fMRI 跨队列迁移分析这样的真实科研任务。对于脑科学方向的学生和科研人员来说，这或许是目前最值得尝试的开源智能体科研工作台。