导读“科学知识图谱”作为连接海量科研数据与科学发现的核心纽带正成为支撑 AI4S 科研范式演进的关键知识底座。浙江大学联合上海人工智能实验室、同济大学等单位持续推进科学知识图谱的建设与应用探索。前期联合团队在《国家科学评论》National Science Review发表综述论文对知识图谱驱动的AI科学发现进行了系统性分析与介绍。近期我们系统整合生命、物质、材料、数理等多学科开源图谱正式发布SciGraph-SCP Server。作为首个专为科学智能体打造的AI原生AI-Native科学图谱开放服务该服务通过集成科学智能上下文协议SCP为智能体提供无缝调用接口。进一步基于SkillNet完成技能化封装并支持从OpenClaw、华为JiuwenClaw等多个开源智能体框架直接调用。在此基础上我们还展示了怎样基于 SciGraph 构建面向科学家的大模型知识维基SciLLM-Wiki直观呈现其赋能AI科学发现的多样化价值。目前SciGraph-SCP已集成涵盖8个科学领域逾3.7亿实体、37亿三元组是当前国内外覆盖领域最多、集聚规模最大的开放科学知识图谱服务。我们诚邀科学社区各界共同参与持续共建这一开放的科学知识基础设施。本项工作得到科技创新2030—“新一代人工智能”国家科技重大专项支持。全文目录1. SciGraph:构建AI原生科学知识服务2. SciGraph SCP Server架构设计3. SciGraph SCP Server实战示例3.1 常规 SCP 调用3.2 从OpenClaw访问SciGraph3.3 从JiuwenClaw访问SciGraph4. 基于SciGraph构建SciLLM-Wiki5. 诚邀共建AI4S科学图谱开放社区书生Intern-Discovery SCP Serverhttps://scphub.intern-ai.org.cn/detail/37OOpenKG SciGraph Service Cataloghttp://scigraph.openkg.cn/service/《国家科学评论》NSR综述文章https://doi.org/10.1093/nsr/nwag14001SciGraph构建AI原生的科学知识服务在新一代 AI 智能体架构演进中知识图谱的定位正在发生质变它不再局限于供人查阅的“静态百科”而逐步发展成智能体的“外脑皮层”和“逻辑向导”实现从“人看图谱”向“智能体驾驭Agent Harness”的转型。参考近期Palantir Ontology的成功实践面向AI Agent的数据基础设施已超越单纯的存储和检索而跃迁至“以本体为中心Ontology-Centric”的解耦表达——将底层数据抽象为AI原生可理解的对象、关联与操作逻辑。这种高度组织的语义结构不仅为LLM构建了对抗幻觉的“思维锚点”还为智能体提供了标准的语义框架以消除调用歧义。在此基础上它还能赋予智能体高效驾驭Harness动态上下文与复杂工具链的能力实现对流程逻辑、因果关联及专业约束条件的精准操控从而真正释放知识图谱在Agentic推理与自主决策规划中的核心价值。进一步通过引入面向AI智能体的协议标准(如MCP模型上下文协议)图谱服务可以实现从“封闭孤岛”向“标准化资源”的进化。它将异构的科学图谱统一抽象为可即插即用的资源并将复杂的专业查询封装为智能体可直接调用的工具Tools在消除接口差异的同时通过AI原生的模型上下文反馈抹平知识存储与模型推理之间的协作断层。此外结合OpenClaw和SkillNet的实践将标准化的图谱工具升级为AI原生可调用的知识技能单元使得分散的图谱不再是孤立的脚本而是根据逻辑依赖关系连接而成的知识技能网络从而能最终构建起AI原生的知识服务系统。秉持上述核心理念联合团队系统整理并汇集了生命、物质、数理及材料等八个细分学科的开源知识图谱依托上海AI Lab推出的“科学智能上下文协议SCP”完成图谱的标准化封装并在此基础上集成 SkillNet 实现服务的“技能化”跃迁构建起AI原生的开放科学图谱服务(AI-Native Science Graph Open Service)。 表1AI原生知识图谱服务维度传统知识图谱 (For Human)AI 原生图谱服务 (For Agent)交互媒介可视化前端 / 复杂查询语言MCP 协议 / 自然语言函数内容形态事实描述对象关系技能集成方式手动集成/ETL动态发现/自动挂载核心价值辅助人类决策赋能 Agent 自主推理与执行02SciGraph SCP Server作为 AI 原生开放科学图谱服务的核心载体SciGraph-SCP Server 依托上海人工智能实验室推出的 SCP (Science Context Protocol)对多学科图谱资源进行协议级统一封装向上层 AI 智能体提供标准化的知识访问与调用接口使科学知识能够以可计算、可溯源、可编排的形态被智能体原生调用。图1书生Intern-Discovery SCP Server图2学科专属的SciGraph SCP Server目前SciGraph SCP Server已深度集成覆盖数学、物理、生物、化学、材料等多个细分学科的68 个科学知识图谱拥有3.7 亿实体与37 亿条三元组初步构建起支撑跨学科科研场景的统一知识服务底座。在保留全图谱统一服务能力的基础上平台通过延伸开发生命科学SciGraph-Bio、物质科学SciGraph-Material、数理科学SciGraph-MathPhys及地球科学SciGraph-Earth四大粗粒度学科专属 SCP 服务实现了跨学科知识组织与垂直领域专业支撑的深度协同。图3OpenKG SciGraph Service Catalog首页SciGraph SCP Server核心特点(1)跨学科本体融合多学科统一接口基于统一的科学本体方法论SciGraph SCP Server深度整合化学、材料、生物等领域的结构化知识。通过标准化协议实现异构数据无缝集成研究者仅需单一接口即可实现跨多个学科的逻辑链接。(2)多维图谱架构科研全路径覆盖不仅追求规模更强调知识的稠密性。以 ElementKG化学知识图谱为例该图谱包含约 2309 万个节点、7400 余万条关系涵盖分子、化学反应、实验流程、实验试剂、实验装置、元素等 13 种实体类型。包含实验目的、操作步骤、试剂用量、反应条件、产物产率、官能团及元素物理化学属性等完整信息支持从实验设计到结果分析的全流程知识查询。知识图谱中的实体通过 97 种关系类型相互连接形成了一个完整的化学实验与元素知识网络。(3)MCP原生兼容开箱即用所有工具通过标准化MCPModel Context Protocol协议封装提供一致的API调用方式研究人员无需本地部署图数据库仅需几行Python代码即可远程访问完整知识图谱显著降低使用门槛提升研发效率让使用者专注于科学探索而非工程实现。图4SciGraph SCP Server架构图03SciGraph-SCP 实战示例本节通过一组具体案例展示 SciGraph-SCP 如何将分散的科学知识图谱组织为 AI 智能体可直接调用的知识服务并进一步以技能化方式接入 OpenClaw、JiuwenClaw 等开源智能体框架打通从图谱资源到智能体调用的完整链路。3.1 常规SCP调用为了更直观展示SciGraph-SCP的运行方式本小节提供了三个不同层次的实战示例第一层是单图谱调用即 AI 智能体能够根据问题自动路由到最合适的学科图谱第二层是多图谱联合调用即系统可跨多个知识图谱协同检索与整合第三层是图谱与外部工具的协同即在图谱提供知识依据之后进一步联动更多工具将知识检索延伸为任务执行支持。在开始前请安装SDKpip install mcp并确保mcp_config.json已通过https://discovery-usercenter.intern-ai.org.cn/获取并正确配置API-KEY。{ mcpServers: { SciGraph: { type: streamableHttp, description: 这是一款面向科学研究的统一知识查询服务集成了化学、生物等多个学科领域的知识图谱数据支持跨学科知识检索、实体关系查询、领域知识问答等操作, url: https://scp.intern-ai.org.cn/api/v1/mcp/37/SciGraph, headers: { SCP-HUB-API-KEY: {API-KEY} } } } }✅ 单一图谱调用问题输入Q6GZX4 蛋白能够参与哪些生物过程是如何在生物细胞中发挥作用的系统将问题路由到生命科学图谱ProteinKG25并使用以下Python代码进行查询import asyncio from mcp import ClientSession, StdioServerParameters asyncdefquery(): # scp服务调用 response await session.call_tool(SciGraph.query_graph, arguments{ # 定义使用的kg graph_name: ProteinKG25, # kg查询语句 cypher_query: MATCH (p:Protein {proteinId: Q6GZX4})-[:ANNOTATED_WITH]-(g:GOTerm) RETURN g.goId, g.definition LIMIT 50 }) context response.content return context asyncio.run(query())查询结果返回{ data: [ { goId: GO:0046782, definition: regulation of viral transcription, type: Process } ], triples: [ [Q6GZX4, ANNOTATED_WITH, GO:0046782], [GO:0046782, IS_A, Biological Process], [GO:0046782, DEFINITION, regulation of viral transcription] ] }在此基础上大模型生成面向用户的回答根据 Scigraph-Bio/ProteinKG25 知识图谱查询结果Q6GZX4 蛋白参与的主要生物过程是 病毒转录调控GO:0046782。该蛋白通过调节病毒基因组转录的频率、速率或程度发挥作用可能作为转录辅助因子与病毒或宿主转录机器相互作用。由于参与转录调控推测该蛋白主要定位于细胞核。✅ 多图谱联合调用问题输入CID 1268 (Sunitinib) 的主要靶点蛋白是什么类型参与哪些重要的生物学过程和信号通路系统将问题路由到多个生命科学知识图谱iKraph、MKG-FENN、Otter-UBC联合处理并使用以下Python代码进行查询import asyncio from mcp import ClientSession, StdioServerParameters asyncdefquery(): context_list [] # 查询MKG-FENN中药物-蛋白质相互作用信息 response await session.call_tool(SciGraph.query_graph, arguments{ graph_name: MKG-FENN, cypher_query: MATCH (d:Drug)-[:BINDS_TO]-(p:Protein) WHERE d.name CONTAINS Sunitinib RETURN d.name, p.name LIMIT 30 }) context response.content context_list.append(context) # 查询MKG-FENN中蛋白质-通路信息 response await session.call_tool(SciGraph.query_graph, arguments{ graph_name: MKG-FENN, cypher_query: MATCH (p:Protein)-[:INVOLVED_IN_PATHWAY]-(pw:Pathway) RETURN p.name, pw.name LIMIT 30 }) context response.content context_list.append(context) # 查询iKraph中药物相关信息 response await session.call_tool(SciGraph.query_graph, arguments{ graph_name: iKraph, cypher_query: MATCH (n:Node)-[:RELATED_TO]-(m:Node) WHERE n.name CONTAINS Sunitinib RETURN n.name, m.name, m.type LIMIT 50 }) context response.content context_list.append(context) # 查询Otter-UBC中药物-蛋白质相关信息 response await session.call_tool(SciGraph.query_graph, arguments{ graph_name: Otter-UBC, cypher_query: MATCH (d:ns0__Drug)-[:ns0__binding_to]-(p:ns0__Protein) WHERE d.name CONTAINS Sunitinib RETURN d.name, p.name LIMIT 30 }) context response.content context_list.append(context) return context_list asyncio.run(query())查询结果返回{ targets: [ [KDR/VEGFR2, Receptor tyrosine kinase], [KIT, Receptor tyrosine kinase], [PDGFRA, Receptor tyrosine kinase], [PDGFRB, Receptor tyrosine kinase], [CSF1R, Receptor tyrosine kinase], [FLT3, Receptor tyrosine kinase], [RET, Receptor tyrosine kinase] ], processes: [ [GO:0002237, angiogenesis], [GO:0045056, vascular endothelial cell proliferation], [GO:0033993, vascular endothelial growth factor receptor signaling pathway], [GO:0007169, transmembrane receptor protein tyrosine kinase signaling pathway], [GO:0050767, regulation of cell migration] ], pathways: [ [VEGF signaling pathway, WikiPathways:WP1981], [PI3K-Akt signaling pathway, PathBank:SMP0000716], [Ras-MAPK signaling pathway, Reactome], [PDGF signaling pathway, WikiPathways:WP3594], [JAK-STAT pathway, PID:PC7_7269] ], triples: [ [Sunitinib, INHIBITS, VEGFR2], [Sunitinib, INHIBITS, KIT], [Sunitinib, INHIBITS, PDGFR], [VEGFR2, PARTICIPATES_IN, Angiogenesis], [KIT, PARTICIPATES_IN, Stem cell development] ] }在此基础上大模型生成面向用户的回答CID 1268 (Sunitinib) 的主要靶点均为受体酪氨酸激酶RTKs包括 VEGFR1/2/3、PDGFRα/β、KIT、FLT3 和 RET。这些靶点参与的重要生物学过程包括血管生成和血管发生、细胞增殖和分化、细胞迁移和运动等相关信号通路主要包括 VEGF 信号通路、PI3K-Akt 通路、Ras-MAPK 通路、PDGF 信号通路、JAK-STAT 通路等。通过同时抑制多个 RTK 靶点Sunitinib 能够阻断肿瘤血管生成和肿瘤细胞增殖实现双重抗肿瘤作用。✅ 图谱工具联合调用问题输入设计一个使用 CRISPR-Cas9 系统敲除 HEK293T 细胞中 EGFR 基因的详细实验方案包括 sgRNA 设计与合成、CRISPR 载体构建、细胞培养与转染、单克隆筛选、基因型鉴定和蛋白水平验证。系统先将问题路由到生命科学图谱ProteinKG25和TxGNN检索 EGFR 的功能注释与设计依据并生成如下查询语句import asyncio from mcp import ClientSession, StdioServerParameters asyncdefquery(): context_list [] # 查询ProteinKG25 - Function response await session.call_tool(SciGraph.query_graph, arguments{ graph_name: ProteinKG25, cypher_query: MATCH (p:Protein {proteinId: P00533})-[:ANNOTATED_WITH]-(g:GOTerm) WHERE g.type Function RETURN g.goId, g.definition, g.type LIMIT 50 }) context response.content context_list.append(context) # 查询ProteinKG25 - Process response await session.call_tool(SciGraph.query_graph, arguments{ graph_name: ProteinKG25, cypher_query: MATCH (p:Protein {proteinId: P00533})-[:ANNOTATED_WITH]-(g:GOTerm) WHERE g.type Process RETURN g.goId, g.definition, g.type LIMIT 50 }) context response.content context_list.append(context) # 查询ProteinKG25 - Component response await session.call_tool(SciGraph.query_graph, arguments{ graph_name: ProteinKG25, cypher_query: MATCH (p:Protein {proteinId: P00533})-[:ANNOTATED_WITH]-(g:GOTerm) WHERE g.type Component RETURN g.goId, g.definition, g.type LIMIT 50 }) context response.content context_list.append(context) # 查询TxGNN response await session.call_tool(SciGraph.query_graph, arguments{ graph_name: TxGNN, cypher_query: MATCH (d:Drug)-[:DRUG_TARGETS_PROTEIN]-(p:Gene_Protein {name: EGFR}) RETURN d.name, d.type, d.status LIMIT 30 }) context response.content context_list.append(context) return context_list asyncio.run(query())查询结果返回{ graphs: { ProteinKG25: { data: [ [GO:0004672, protein kinase activity, Function], [GO:0042802, identical protein binding, Function], [GO:0007173, EGFR signaling pathway, Process], [GO:0005887, integral component of plasma membrane, Component], [GO:0005886, plasma membrane, Component] ] }, TxGNN: { data: [ [EGFR targeted drug information, 20 drugs] ] }, triples: [ [EGFR, HAS_FUNCTION, Protein tyrosine kinase], [EGFR, LOCATED_IN, Plasma membrane], [EGFR, PARTICIPATES_IN, EGFR signaling pathway], [CRISPR-Cas9, TARGETS, EGFR], [sgRNA, DIRECTS, Cas9 to EGFR locus], [HEK293T, CELL_LINE_FOR, EGFR knockout] ] } }在图谱检索基础上系统进一步调用Thoth SCP Server的protocol_generation工具用于根据实验需求自动生成结构化湿实验方案{ tool: { service_name: Thoth SCP Server, tool: protocol_generation, input: CRISPR-Cas9 knockout EGFR experiment requirements, output: Structured wet lab protocol } }在此基础上生成面向用户的回答本实验方案设计了一个完整的 CRISPR-Cas9 介导的 EGFR 基因敲除细胞系构建流程。基于知识图谱检索EGFR(P00533) 是跨膜受体酪氨酸激酶 (GO:0005887)具有蛋白激酶活性 (GO:0004672) 和二聚化能力 (GO:0042802)定位于细胞膜。sgRNA 设计推荐 4 条靶序列采用双 sgRNA 策略造成大片段缺失策略 A(Exon 3-4 缺失) 导致移码突变策略 B(激酶域 Exon 18-19 缺失) 破坏催化功能。PAM 序列为 NGGGC 含量 40-60%使用 CRISPOR 评估脱靶风险。载体构建推荐 lentiCRISPRv2 慢病毒载体BsmBI 酶切后连接退火 oligo转化 DH5α测序验证。细胞转染HEK293T 细胞用 Lipofectamine 3000 转染48h 后开始 1-2 μg/mL 嘌呤霉素筛选 5-7 天。单克隆筛选有限稀释法 (1 cell/孔) 或 FACS 分选 (GFP 阳性)培养 2-3 周至汇合。基因型鉴定PCR 扩增靶位点 (~500 bp)T7E1 酶切检测异源双链Sanger 测序确认突变类型。蛋白验证Western Blot 检测~170 kDa EGFR 条带敲除成功则无信号内参用 GAPDH 或β-Actin。时间线第 1 周 sgRNA 设计合成与载体构建第 2 周转染筛选第 3-5 周单克隆扩增第 6 周基因型鉴定第 7 周蛋白验证总周期 7-8 周。常见问题转染效率低 (用低代次细胞)、筛选后无存活 (预实验测最小致死浓度)、单克隆生长慢 (加条件培养基)、T7E1 无切割 (优化 PCR 或增加测序克隆数)、Western 仍有信号 (用 N/C 端双抗体验证)、脱靶效应 (重新设计 sgRNA 或用高保真 Cas9)。资源Scigraph-Bio 提供 EGFR 功能注释Thoth 工具生成结构化湿实验方案推荐试剂包括 lentiCRISPRv2、Lipofectamine 3000、CST EGFR 抗体#4267。3.2 从OpenClaw访问SciGraph图5在OpenClaw中调用 SkillNet 中封装的 SciGraph-Skill在 AI Native 架构下SciGraph 通过将图谱检索能力进一步解耦为原子化的 SciGraph-Skills并纳入 SkillNet 进行统一组织同时支持通过 OpenClaw 接入智能体调用链路实现从静态“知识库”向持续进化的知识技能引擎的价值转变。以图5中展示的scp-dtinet为例该Skill面向药物—靶点相互作用预测和药物重定位任务底层连接DTINet图谱通过SciGraph SCP服务 API Key授权方式接入并封装了query_cypher、get_kg_statistics、get_entity_details、pget_experiment_workflow等工具支持关系查询、图谱统计、实体详情查看和实验流程追踪等能力。OpenClaw 会先在 SkillNet 中识别 SciGraph-Skills 集合中的候选技能再结合当前任务语义将与 drug-target prediction 最相关的候选项定位为 scp-dtinet。基于此SciGraph 中原本分散在不同图谱中的知识资源已经能够以 Skill 的形式被智能体自动发现、按需选择并接入调用链路从而为后续的分析提供统一的知识技能入口。SciGraph-Skills 示例scp-dtinet 面向任务药物—靶点相互作用预测、药物重定位 底层图谱DTINet 接入方式SciGraph SCP 服务 API Key 授权 可调用工具query_cypher、get_kg_statistics、get_entity_details、get_experiment_workflow 典型能力查询图中关系、获取图谱统计、查看实体详情、追踪实验流程3.2 从华为JiuwenClaw访问SciGraph图6在华为JiuwenClaw中调用 SkillNet 中封装的 SciGraph-Skill我们进一步将技能化的 SciGraph 深度接入华为 JiuwenClaw智能体框架并以药物—靶点预测为核心场景展示了全链路闭环。如图 6 所示系统实现了从“需求感知”到“环境就绪”的自动化流程用户发起请求后SkillNet 立即触发语义检索从 SciGraph-Skills 资源池中精准定位并匹配最符合 drug-target prediction 任务的技能包 scp-dtinet。随后框架自动完成该技能包的分发、下载与本地挂载并实时同步说明文件以辅助推理决策。这一过程验证了 SciGraph 在 JiuwenClaw 生态中已具备支撑“发现—路由—部署”完整链路的能力演示了大规模科学图谱已能够以标准化 Skill 的形态无缝嵌入智能体的原生运行环境。04SciLLM-Wiki应用举例图7SciLLM-Wiki科学知识维基示例在大模型驱动的 AI Native 范式下SciGraph 的核心价值已突破单一的瞬时检索转而聚焦于更深层次的科研需求面向特定研究主题的知识沉淀与内生演化 。为了呈现这一价值我们借鉴了近期大模型知识维基LLM-Wiki的构建思路 。LLM-Wiki 是一种全新的知识组织形态它由大模型持续维护一组可积累、可链接、可更新的知识页面旨在为知识问答、知识归纳与综述生成提供稳定的事实基座。基于上述理念我们探索基于SciGraph构建面向科学家的大模型知识维基SciLLM-Wiki。在这一系统中SciGraph 发挥着至关重要的“定海神针”作用它将结构化的图谱知识与特定主题的海量领域文献深度融合为复杂庞杂的科研数据提供结构化的索引与锚点从而沉淀出面向前沿研究问题的结构化知识空间。在图7中我们以ElementKG中的典型领域为例展示了其构建思路“联烯化学”主题系统首先从 SciGraph 中抽取联烯及其衍生物的反应类型、催化剂体系等核心骨架利用图谱的结构化特征快速勾勒出该领域的知识拓扑。“非对称化学”主题通过 SciGraph 精准定位手性配体、不对称合成路径及代表性课题组等关键节点形成研究脉络的“逻辑锚点”。具体而言图7展示了从Propargylic Precursors这一关键中间体切入的构建逻辑SciGraph负责提供概念间的结构化连接图7左帮助系统快速定位关键方法论与代表性工作而SciLLM-Wiki则在这些骨架之上通过大模型结合海量领域文献进行语义填充、进展归纳与文献综述图7右。这种“图谱定骨架、模型赋语义”的分工协同模式不仅保证了知识组织的严谨性更实现了内容随研究进展而持续演化的生命力构建起真正适合科研实战的知识中枢。05诚邀共建AI4S图谱开放社区展望未来SciGraph 的演进将超越单纯的知识汇聚致力于进化为科学智能的“本体骨架”。一方面我们将科学实体、复杂关系与可执行动作统一于同一语义层并在统一的本体框架下系统化地组织与编排智能体技能Skills。在这一范式中科学基座模型充当“大脑”负责深度理解科学问题、构建推理规划并实现任务调度而科学知识图谱提供的本体骨架则作为“逻辑支柱”为大模型的思考提供确定性的物理约束与知识边界。通过“大脑”与“骨架”的深度协同我们将构建一套 AI 原生的科学知识服务体系推动科学知识从静态的“数据仓库”升级为动态的“能力基座”为 AI for ScienceAI4S提供一个开放、可复用、可持续扩展的知识基础设施。我们诚邀广大科研社区共同参与携手定义AI原生时代的科学知识基座让每一条知识都转化为重构物质和生命世界的智能原动力。http://scigraph.openkg.cn/donate/撰文庄祥编辑邓鸿杰审定陈华钧、王昊奋推荐阅读RECOMMENDOpenKGOpenKG中文开放知识图谱旨在推动以中文为核心的知识图谱数据的开放、互联及众包并促进知识图谱算法、工具及平台的开源开放。点击阅读原文进入 OpenKG 网站。