AI for Science的竞争正在向科研闭环延伸。以蛋白设计为例，模型越来越强，但研究人员仍然要找文献、查结构、配环境、提交计算，再换工具筛选候选，各个环节长期靠人手动接续。
杭州AI蛋白设计公司力文所发布Lévin Harness，面向科研社区开放使用，把数据、模型、插件工具、算力与工作流放进同一个Agent工作区。
在工作台里，通用大模型负责理解需求、规划步骤，专门训练的科学模型承担结构预测与序列设计等计算，Harness则负责连接能力、数据和算力，并保留研究过程。
以binder设计为例，Agent可以参与靶点调研、整理信息、辅助分析结合位置，研究人员再确定方法与约束。内置的三维分子可视化让屏幕上的结构信息直接进入Agent上下文，使讨论指向一个明确的研究对象。
工具变多本身也会产生工作量：不同模型的输入输出与运行环境不一致，上一项计算的文件如何交给下一项，设计条件如何转换成参数，都需要有人处理。Harness用插件系统把这些能力接进同一环境，并支持连接本地工作站或远程GPU服务器。
这正说明，AI for Science的瓶颈往往不在单个模型，而在模型之外的流程衔接：模型选择、工具组合、算力接入与结果反馈能否接续起来。星战科技在GPU算力平台与算力调度方向的投入，正是为了让科研与产业任务中的异构计算更易组织。
对研究机构而言，数据边界同样关键。未公开的靶点、候选序列与实验结果，要求工具明确项目数据保存在何处、由谁决定备份，外部智能才能真正进入核心研发环节。
当可执行、可复用的研究方法沉淀为工作流，科研经验才得以延续。AI for Science的下一步，或许就是让这些闭环持续运转下去。