科研人有自己的“吃虾”方式！斯坦福普林斯顿最新开源，仅需一行指令

是的，科研人有自己的“吃虾”方式！

眼见大伙儿玩“龙虾”6到飞起，来自斯坦福&普林斯顿的高校团队也立刻推出了“科研版龙虾”LabClaw。

划重点，开！源！人人都能立马用上那种。

而且打工方式超级easy，只需一行命令就能调动LabClaw里的龙虾军团。

调完之后，LabClaw里的200多个懂生物医学的龙虾就会自动上线——有人负责盯实验数据，有人跑分析模型，还有人翻文献、写实验记录。

总之以后搞科研真的不一样了，人类只需在关键环节提意见、做决策，剩下的全交给AI自动跑。

最后就是……顶刊的路子走宽了，科研人的头发保住了（doge)。

而且这个想法还得到了英伟达的支持（title为“Founding Partners”）。

咳咳，书归正传。既然有如此功效，咱不得看看这LabClaw到底是啥。

LabClaw是啥？

LabClaw是啥，从使用方式上就能看出来了。

前面说了，只需给OpenClaw发一条消息，就能立马启用LabClaw里的龙虾军团。

所以这LabClaw，说到底其实就是给AI准备的“技能包”，类似科研skills。

有了skills这玩意儿，后人就可以直接拿来用，不用自己苦思冥想提示词。

目前LabClaw仓库里一共放了211个生产级的SKILL.md文件，按不同研究方向分好类，具体如下：

这些skills可以供OpenClaw在研究生物医学时直接调用，每个skill都会告诉AI何时使用、如何调用、以及应该产出什么结果。

光听可能有点迷糊，咱不妨直接看几个典型用法。

科研大关之文献综述+写作，想必大家都很熟悉了吧。

在LabClaw里，这一整套流程其实已经被拆成了几个现成的skill，比如：

• pubmed-search：负责去PubMed检索相关论文；
• citation-management：整理引用与参考文献；
• scientific-writing：根据材料生成综述或论文草稿。

所以，当你给出一个研究主题时（甚至可以让AI提idea），OpenClaw就可以按流程自动调用这些技能，主打一个全流程自动化。

其他情况也与之类似，在此不再赘述。

当然，LabClaw的用途其实还不止“技能库”这么简单。

如果把这些skills进一步组合起来，它甚至可以被部署成一个不会下班的AI实验室助手。

简单来说，就是把LabClaw当成一个Always-On Lab Agent——

长期运行在实验室环境里，持续读取仪器数据、实验记录或视频流，然后自动调用相应的skills进行分析和响应。

部署完之后，它可以持续读取显微镜、传感器或摄像头的数据流，然后结合图像、数据和日志，判断实验是否正常进行。

一旦发现异常数据或设备状态变化，便会自动触发分析流程，然后火速生成实验日志、分析报告，甚至能主动提醒研究人员。

好好好，不仅能干“脏活累活”，甚至连盯实验都帮你解决了（妙啊jpg)。

而且这还没完，他们这次还为LabClaw专门配了一个操作系统LabOS。

嚯，LabClaw+LabOS，这又是什么玩法？

还配上了专门的操作系统

对于这套组合技，我们可以这样来理解。

LabClaw其实就像应用市场，里面装了功能各异的APP（skill），而LabOS就像操作系统。

至于这套系统具体如何运作，咱还得了解一点LabOS的背景知识。

LabOS是全球首个AI-XR协同科学家系统，也是由本次LabClaw的两位负责人——斯坦福大学丛乐教授和普林斯顿大学王梦迪教授团队联合推出。

△左丛乐、右王梦迪

这里稍微补充一下。

丛乐（Le Cong），目前是斯坦福大学医学院病理学系和遗传学系副教授。

本科毕业于清华，博士毕业于哈佛大学医学院，是公认的CRISPR基因编辑领域杰出推动者之一。

早在读博期间，他便以一作身份在Science、Cell、 Nature等权威期刊上表了数篇标志性论文，为基因编辑技术在哺乳动物和人类细胞中的应用研究、方法优化和推广做出了重要贡献。

王梦迪（Mengdi Wang），目前是普林斯顿大学电气与计算机工程系教授、该校人工智能创新中心主任。

10岁进入北京八中少年班、14岁考入清华自动化系、18岁赴麻省理工学院攻读计算机科学博士，师从美国国家工程院院士、也是著名的控制与优化专家Dimitri P. Bertsekas。

博士毕业后迅速加入普林斯顿任教，是国际AI与控制系统领域的核心学术带头人之一。

根据二人之前带队发表的论文，LabOS本质上就是整个智能实验室的“大脑+眼睛+身体”：

• 大脑：多智能体规划、推理、自我进化；
• 眼睛：通过专属视觉语言模型LabOS-VLM，看懂科学家的实验操作、识别步骤对错；
• 身体：通过XR眼镜+实验机器人，实现人机协同实验。

全部组合到一起，你就可以看到这样一幅画面——

一旦你戴上XR眼镜，启动LabOS（就像解锁手机），系统就立刻开始“看”实验室环境、“听”你的指令。

然后你告诉AI“我要找黑色素瘤的免疫治疗靶点”，LabOS就会去LabClaw里找到对应的“靶点发现”skill，加载运行。

再然后就是一系列协同实验：AI通过LabClaw的skill帮你分析数据、提出假说，LabOS通过XR眼镜语音实时指导你做实验、等实验数据回传后LabClaw再调用数据分析skill帮你解读并生成论文等等。

一整个人机协作、效率up up。

而且整个系统扩展性良好，即使有新的科研需求，也可以直接在LabClaw里安装新的技能（就像下载新App），不用重新开发整个系统。

正如网友所言，现在用AI辅助科研的门槛比以前又双叒降低了。

降低到什么程度呢？——一条指令。

开源地址：https://github.com/wu-yc/LabClaw?tab=readme-ov-file

项目地址：https://labclaw-ai.github.io/

参考链接：

[1]https://x.com/AI4S_Catalyst/status/2031528955472392301

[2]https://arxiv.org/abs/2510.14861

文章来自于微信公众号 “量子位”，作者 “量子位”