用 AI 辅助科研时，可能会经常遇到大模型一本正经地胡说八道，尤其涉及到复杂的生物、化学或材料这些专业领域。

最近偶然看到 SciToolAgent 这个开源项目，在尝试用“知识图谱”来解决科学工具调用的难题。

相当于给 AI 装配了一个专业的“科学工具箱”，让模型能像科学家一样思考和操作。

整合了超过 500 个科学工具，覆盖 API、机器学习模型及各类 Python 函数。

核心在于构建了一个科学工具知识图谱（SciToolKG），精准处理工具间的依赖和兼容性。

GitHub：github.com/HICAI-ZJU/SciToolAgent

同时采用“规划-执行-总结”的架构，能自动把复杂的科研任务拆解成具体步骤并执行。

内置了安全检查机制，帮我们监控潜在的实验风险，确保结果的可靠性。

基于 Python 开发，通过 Conda 即可快速配置环境，支持自定义添加私有工具。

相关研究已发表在 Nature Computational Science，适合科研工作者或垂直领域 Agent 开发者参考。