Fähigkeiten und unterstützte Inputs

Open-Science bringt die Gespräche, Quelldateien, Literaturaufzeichnungen und generierten Ergebnisse eines Forschungsprojekts in einen lokalen Arbeitsbereich. Ein konfiguriertes Modell lenkt die Arbeit; Notebook-Laufzeiten, Tools und verbundene Dienste führen die Operationen aus, die sie benötigen. Wählen Sie einen Ausgangspunkt aus dem Material, das Sie bereits haben.

Beginnen Sie mit Ihrem Input

Sie haben	Erste Maßnahme	Ergebnis zu fragen nach	Überprüfen Sie, bevor Sie es verwenden
Eine Forschungsfrage und mehrere DOIs	Erstellen eines Projekts; Suchen Sie nach den Identifikatoren und überprüfen Sie Library Inbox Kandidaten	Eine quellengeprüfte Lesesammlung	Titel, Autorenlisten, Jahre und Identifikatoren gegen den Verlag
Ein Ordner mit Papieren oder exportierten Referenzen	Verwenden Sie die Import- und Sammelkontrollen der Literaturbibliothek	Eine organisierte Sammlung mit angehängten verfügbaren PDFs	Warnhinweise, Duplikate und Übereinstimmungen mit Anhängen
CSV oder TSV	Fügen Sie es an eine Sitzung an und fordern Sie eine Notebook-Analyse an	Datenaudit, Ergebnistabelle und Abbildung	Fehlende Werte, Einheiten, Nenner und die gespeicherten Dateien
Ein PDF oder Manuskript	Fügen Sie das Dokument an oder öffnen Sie es in Dateien	Eine passagenspezifische Erklärung oder ein Revisionsplan	Ob der Agent den vollständigen Text gelesen hat und ob die zitierten Seiten seine Behauptungen stützen
Eine Sequenz oder molekulare Struktur	Öffnen Sie eine unterstützte FASTA-, PDB- oder Moleküldatei	Eine Vorschau, ein Validierungsbericht oder eine Analyse unter Verwendung eines geeigneten Tools	Eingabekonventionen, Methodenanforderungen und Werkzeugverfügbarkeit
Ein Verfahren, das Sie wiederverwenden	Erstellen oder Importieren eines Skill	Wiederverwendbare Anweisungen und unterstützende Dateien	Aktivierter Status, erforderliche Abhängigkeiten und eine Testversion auf einer bekannten Eingabe
Eine definierte Forschungsrolle	Erstellen Sie ein Specialist und weisen Sie seine Fähigkeiten zu	Eine Rolle mit expliziten Anweisungen und Zugriff	Ausgewähltes Skills, Konnektoren und das Ergebnis der delegierten Arbeit

Verwenden Sie für Zahlen und Tabellen in einem Papier lokale PDF-Extraktion. Finden Sie wiederverwendbare Methoden über den Skill-Marktplatz. Überprüfen Sie ein erfasstes Ergebnis mit Reproduzierbarkeit oder teilen Sie seine Konversation und Beweise über ein .science Paket.

Ein Viewer, der eine Datei öffnet, zeigt nicht an, dass das Modell sie gelesen hat. Das Anfügen einer Datei gibt der Sitzung eine Quelle, mit der sie arbeiten kann; Überprüfen Sie die aufgezeichneten Lesevorgänge, Toolaufrufe und Ausgabenachweise, um festzustellen, wie der Agent sie verwendet hat. Genaue Erweiterungen und Größenbegrenzungen sind in Dateiformate und Limits.

Verstehen Sie die Workspace-Objekte

Objekt	Was du dort hältst	Beziehung zu anderen Objekten
Project	Forschungszweck, langlebiger Agent Context, Sessions und Projektdateien	Verwenden Sie es, um eine Untersuchung zusammenzuhalten
Session	Anfragen, Antworten, Tool-Aktivitäten und Konversationszweige	Jede Session gehört zu einem Projekt
Upload	Eine verwaltete Kopie des Quellmaterials	Halten Sie es getrennt von abgeleiteten Ergebnissen
Artefakt	Ein generierter Bericht, eine Abbildung, eine Tabelle oder eine andere Datei	Versionen behalten Beweise, die mit ihrer Produktion verbunden sind
Literaturverweis	Bibliographische Metadaten, Identifikatoren und Anlagen	Organisieren Sie es in Sammlungen und verbinden Sie es mit Projekten
Notebook	Python oder R Ausführung und ihre Ausgänge	Überprüfen Sie die Berechnungen und Live-Variablen der Sitzung
Skill	Anweisungen und unterstützende Dateien für eine Methode	Aktivieren Sie es und wählen Sie es vom Komponisten aus, wenn dies angemessen ist
Specialist	Eine Rolle, Anweisungen und ausgewählte Fähigkeiten	Konfigurieren und Aufrufen für Arbeiten, die zu dieser Rolle passen
Connector	Zugang zu externen Tools oder Datendiensten	Verfügbarkeit hängt von Konfiguration, Anmeldeinformationen und Richtlinien ab

Project Description hilft Ihnen, das Projekt zu identifizieren. Setzen Sie Anweisungen, die der Agent in Agent Context befolgen muss. Letzteres ist im Modellkontext enthalten; Es ist kein Ort, um Anmeldeinformationen zu speichern.

Bereiten Sie nur die Abhängigkeiten vor, die Ihre Aufgabe benötigt

Ein Gespräch benötigt ein Work Agent Framework und eine Modellverbindung. Eine Python-Berechnung benötigt auch eine aktivierte Python Notebook-Laufzeit. Ein Service-Lookup benötigt das entsprechende Connector, den Netzwerkzugang und alle erforderlichen Anmeldeinformationen. Eine GPU-Methode kann eine separate Maschine, Softwareumgebung und Modellgewichte erfordern, auch wenn ihre Skill bereits aufgeführt ist.

Der dokumentierte lokale Lauf verwendete ein Codex-Abonnement und die von der App verwaltete Python-Umgebung. Der modellzugriff installierte keine Python-pakete: eine fehlende pandas-abhängigkeit stoppte immer noch die erste berechnung. Die Analyse wurde abgeschlossen, nachdem die Implementierung auf installierte Pakete geändert wurde, ohne die beschreibende Frage zu ändern.

Siehe Provider-Einrichtung, Python und R Laufzeiten und Netzwerk für diese unabhängigen Setup-Pfade. Ein erfolgreicher Modellverbindungstest validiert nicht jeden nachgelagerten Dienst.

Entscheiden Sie, ob ein Ergebnis bereit ist

Öffnen Sie die gespeicherte Ausgabe und vergleichen Sie sie mit der Anforderung. Überprüfen Sie für eine Tabelle die Zeilenanzahl, Einheiten und die Behandlung fehlender Daten. Überprüfen Sie für eine Bibliographie Identifikatoren und vollständige Autoren. Für codegenerierte Ergebnisse, prüfen Sie Provenance und Notebook. Überprüfen Sie Etiketten wie teilweise Umgebungserfassung oder nicht verfügbare Beweise, bevor Sie ein Ergebnis reproduzierbar nennen.

Die formalen Beispiele verwenden öffentliche Forschungsbeiträge:

• PRISMA Lesesammlung: drei echte Papiere, überprüfte Bibliotheksaufzeichnungen und ein beigefügter Verlag PDF.
• GSE60450 RNA-seq-Analyse: 27,179-Genreihen, 12-Proben, unabhängig geprüfte QC-Metriken, eine Rohzahl und erfasster Herstellercode.

Remote Compute zeigt das gleiche RNA-seq QC auf Direct SSH, einschließlich gesammelter Ausgänge, Neustartwiederherstellung und Löschung. Die Slurm-Berechnung wurde auf dem Server bestätigt, aber die deaktivierte Scheduler-Buchhaltung verhindert die Anwendungsernte. Das gleiche Kapitel überprüft auch einen kleinen ProteinMPNN-Sequenz-Design-Lauf auf einem A100 GPU in einer isolierten CUDA-Umgebung.

Lokale Lagerung und externe Verarbeitung

Die Anwendung speichert ihren Arbeitsbereich lokal. Wenn Sie eine Anfrage an ein gehostetes Modell senden, gehen relevante Anweisungen und Inhalte an diesen Anbieter. Konnektoren und Remote-Jobs können Daten an ihre konfigurierten Dienste senden. Verwenden Sie die tatsächlich ausgewählte Provider- und Tool-Aktivität, um zu identifizieren, wo eine Aufgabe ausgeführt wird; Lokale Speicherung allein bedeutet nicht Offline-Verarbeitung.

Quellenüberprüfung: Produktdokumentation, Projektfelder und Preview Routing. Die beiden verknüpften Fallstudien tragen ihre Betriebsaufzeichnungen und englischen Screenshots.