OpenAI报告：编程智能体可加速科学软件开发
OpenAI的一份报告指出，编程智能体（coding agent）能够显著加快科学软件的构建速度。
OpenAI 发布了一份实地报告，追踪了 8 个科学计算项目，在这些项目中，编码代理（coding agents）帮助缩短了运行时间。报告记录了 5 个仅使用 Codex 的案例，以及 3 个同时使用 Codex 和 Anthropic 的 Claude Code 的案例。需要提前说明一点：这是一家供应商在发布自家产品在研究场景中的应用调查，素材来自参与贡献者撰写的案例。但这不意味着背后的趋势不值得关注。研究软件存在一个公认的维护问题——那些为单篇论文构建的工具，通常由小型学术团队编写，没有专门的工程支持，容易积累没人有预算或权限去清理的技术债务。OpenAI 的报告认为，编码代理可以处理这些债务。报告中提到的 8 个项目涵盖了基因组学、免疫学、统计学和 RNA 测序等领域。
编码代理承担了哪些任务
任务大致分为三类：打包和构建系统清理、现有代码的性能优化、以及完整的语言或后端移植。
-
cyvcf2：一个用于读取基因组变异文件的 Python 库。贡献者 Brent Pedersen 提到，它旧的构建和打包系统被替换为更新的统一流程。他同时指出，用代理快速推进是一回事，但在科学上“走远”仍然需要“专家的指导、理解、品味和细心”。
-
HI.SIM：一个 DNA 测序读取模拟器。贡献者 Andrew Ho 说，GPT-5.2 和 GPT-5.6 分别两次进行了几乎自主的优化，在代表性测试集上运行时间减少了 31%，且输出结果不变。Ho 自称既不是基因组学专家也不是 C 程序员，但从最终用户的角度来看，他觉得效果“简直神奇”——因为他过去经常被自己能识别但无法亲手修复的性能错误和打包问题耽误时间。
-
Hifiasm：用于从 PacBio HiFi 读取进行基因组组装的工具。贡献者 Suyash Shringarpure 表示，在优化目标上运行时间减少了 25%，在单独的人类测序数据上大约减少了 15%。
Shringarpure 提到，该代理可以自主搭建基准测试框架并独立提出候选方案，但他强调，提供性能分析结果以及引导模型避免反复进入失败模式，仍然是只有人类才能完成的工作。
MHCflurry（一个预测哪些蛋白质片段会呈递给 T 细胞的工具）将其后端从 TensorFlow/Keras 迁移到了 PyTorch，同时保持与之前发布的模型权重兼容。贡献者 Alex Rubinsteyn、Sergey Feldman 和 Timothy O’Donnell 认为，这种改变属于那种“不显眼但劳动密集的维护工作”，正是这类工作让开源科学项目得以存活，而不是逐渐荒废。
bayesm-rs 将 R 语言 bayesm 包中的统计模型用 Rust 重写，在预设误差范围内与原版软件的估计结果一致。单线程下，它的运行速度提升了 2.3 到 2.7 倍；八线程下，则提升到 4.4 到 9.5 倍。贡献者 Andrew Bai 和 Andrew Ho 指出，对于有直接参照物可验证的任务，代理能快速且正确地完成；但对于那些需要统计判断、而原代码从未明确界定的扩展功能，则必须由人类直接验证。
Rust 端口和 GPU 重构进一步推动了这一模式。另外三个项目——rustar-aligner、svb 和 kuva——同样使用编码代理完成了 Rust 构建，其中包括完全重写 STAR（一种广泛使用但已停止维护的 RNA 测序比对工具）。贡献者 James M. Ferguson 表示，代理改变了“什么值得尝试”的判断：手动重写一个两万行的比对工具并不划算，但有了代理，它变成了几周的引导式工作。他补充说，验证则是另一回事——模型可以说一张图看起来没问题，但发布前肉眼检查九百多张图，仍然要靠人。
RustQC 将 15 个独立的 RNA 测序质量控制工具整合成一个程序，贡献者 Phil Ewels 称其运行时减少了 60 倍，磁盘输入输出减少了 25 倍。配套重建的 FastQC-Rust 和 Trim Galore 也分别将运行速度提升了 7 倍和 3 倍，同时保持了原工具的行为不变。
Ewels 也指出了弊端：低成本的重写本身就带来了风险——工具行为不一致会导致社区分裂，不同实验室的结果也会因版本差异而无法长期对比。「技术反而是相对简单的部分，」他说，「真正悬而未决的是谁来维护。」
根据贡献者 Mamad Ahangari、Varun Goyal 和 Hassan Masoudi 的说法，HelixForge——一款基于 GPU 原生重写的突变模拟工具 BAMSurgeon——在真实人类数据基准测试中，运行时间缩短了约 60 倍，产生的突变频率也更接近目标值，同时还修复了原工具中多个产生人工伪影的 bug。
现在的瓶颈是验证，而非代码生成
从所有报告来看，代理能很好地处理范围明确的实现任务，但无法判断自身输出的科学合理性。贡献者们提到，代理对自己含有明显错误的工作充满信心，这迫使人类必须构建验收测试：精确的输出比对、对现有工具的校验检查，或者用模拟数据预先计算的正确答案来验证。
项目往往分阶段推进：代理快速产出初稿，剩下的大量时间花在边缘情况和基准测试无法捕捉的微小数值偏差上。
工程成本降低是一把双刃剑
它让两人团队也能承担以往需要靠项目经费才能雇到工程师的重写工作；同时也更容易让三个不同的实验室做出三种互不兼容的同款工具。
对 MHCflurry 和 cyvcf2 的修改已回归上游项目；rustar-aligner 则转入了新的社区维护，因为它替代的原工具早已被废弃。
OpenAI 的报告并非笼统地支持重写，而是指向一个具体选择：在代理生成第一行代码之前，就确定好谁将拥有重写后的工具，并确保该承诺得到落实。