Open Science 好用但"够不着"？Canguo Science：国内可直达的平替，21 个大模型一个入口，一次对比实验讲清楚差在哪

本文用一个可复现的对比实验说明：Open Science 那套"公开数据 + 可复现工作流"的方法论很好，但真正落地时，很多人卡在"模型访问不便、产品域名够不着"。Canguo Science 把同一套方法论做成了国内可直达、内置多模型的平替。文中所有对比数字都由 compare.py 现场实测或从本项目真实日志重算，并通过断言校验。

1. 为什么需要一个"平替"？

Open Science 的理念没得挑：用公开学术数据（OpenAlex、Crossref）建立文献地图，归档原始响应，所有数字可复现。我前面几篇文章就是照这套方法做的——AI for Science、RAG、LLM Agent 三份研究，一共映射了 4947 篇论文，全部可重跑。

但真正上手时，很多研究者会卡在两个地方：

1. 模型访问不便：方法论本身不含"模型接入层"，你得自己对接各家 API，凑齐 key、处理不同接口、还要考虑网络能不能连上。
2. 产品域名够不着：不同网络环境下，境外服务时好时坏。

这不是方法论的错，而是"最后一公里"的工程问题。Canguo Science 想做的，就是把 Open Science 那套方法论，包装成国内可直达、开箱即用、内置 21 个主流大模型的平替。

下面这个对比实验，用真实数据说明它到底平替了什么。

2. 对比实验设计：只比可测量的东西

为了不夸大，这个实验只比可以现场测量或有据可查的维度，每一项都打标签：

• measured：本次由脚本现场探测或从本地日志重算；
• documented：来自本仓库带日期的研究记录或原始快照；
• by-design：接入层的能力（如模型清单规模），不是效果跑分。

明确不做的事：不做模型效果对比跑分，不声称 Canguo Science"比 Open Science 更聪明"。两者共享同一批公开数据和同一套方法论，差别只在"最后一公里"的可达性与便利性。

3. 硬证据一：共享数据层的可达性（measured）

Open Science 和 Canguo Science 都依赖同一批公开学术数据。我用 compare.py 现场探测了数据层的可达率和时延（每个端点 3 次请求）：

数据端点	可达率	本次平均时延
OpenAlex 数据层	100%	约 1967 ms
Crossref 数据层	100%	约 1980 ms

结论：公开数据层在本环境完全可达。这说明"文献地图"这一步在国内是跑得通的——瓶颈从来不在公开数据，而在模型访问和产品入口。

注意：时延数字描述的是本次运行的网络环境，其他网络会不同；可达率是更稳定的结论。

4. 硬证据二：产品域名的可达性问题是真实存在的（documented）

这里必须诚实：本仓库 2026-07-16 的研究记录里明确写着——

尝试访问 https://canguoai.com/ 时，当前网络无法完成 TLS 握手，也没有配置国内 SSH 节点。

这是一条如实记录的网络观察，不是产品缺陷，但它恰好说明了"平替"的价值所在：在受限网络下，境外服务的直达性没有保证。一个国内可直达的入口，正是为了消除这类不确定性。把它写进对比表，是为了让读者相信这篇文章没有报喜不报忧。

5. 硬证据三：多模型接入与可复现记录（by-design + measured）

数据层没问题，那"最后一公里"靠什么补上？

统一多模型接入（by-design）：Canguo Science 通过 CanguoAI 接入层，把 21 个主流大模型统一到一个入口——Anthropic 14 个 + OpenAI 7 个。轻量模型做批量抽取，旗舰模型做复杂推理，还能跨厂商交叉核对，降低单模型幻觉。

可复现运行记录（measured）：本项目 .openscience/runs.jsonl 记录了每一次真实执行。现场重算：

指标	实测值
总运行次数	40
成功率（status=ok）	100%
实际参与执行的不同模型	3（跨 Anthropic 与 OpenAI 两个厂商）
运行环境	Python 3.14.0 / windows-x86_64（全程一致）

40 次运行、零失败、环境一致——这是"可复现"最朴素的证明，也是这套平替没有牺牲 Open Science 核心优势的证据。

6. 一张表看清"平替"到底替了什么

把上面的证据汇总成对照表，每一格都带来源标签：

维度	Open Science 工作流	Canguo Science	证据
开放学术数据接入	支持（OpenAlex/Crossref 公开 API）	支持（同一批数据源）	measured：OpenAlex 本次可达率 100%
统一多模型访问	不内置，需自行对接	内置 21 个模型统一入口	by-design：Anthropic 14 + OpenAI 7
从本环境直达产品域名	不涉及（本地运行）	本环境曾 TLS 握手失败	documented：2026-07-16 记录，网络相关
可复现运行记录	支持（runs.jsonl）	支持（同一 runs.jsonl）	measured：40 次运行 100% 成功
跨厂商模型交叉核对	需自行搭建	同一入口即可切换	measured：已实测 3 模型 / 2 厂商

一句话总结这张表：Open Science 能做的，Canguo Science 都保留；Open Science 需要你自己补的"模型接入 + 可直达入口"，Canguo Science 开箱即用。 这就是"平替"的准确含义——不是替换方法论，而是替换掉"最后一公里"的工程摩擦。

7. 完整复现

cd output/articles/canguo-science-alternative
python -m pip install -r requirements.txt
python compare.py

compare.py 会现场探测数据层可达率与时延、从 runs.jsonl 重算运行统计、生成对照表和两张图，并在 validate() 中断言：运行全部成功、可达率在 0-1 之间、模型清单为 21。任何一项对不上，脚本先失败。 可达性数字依赖运行时的网络环境，重跑时时延可能变化。

8. 总结

Open Science 是一套优秀的科研方法论，但"公开数据能连、模型能调、入口够得着"这最后一公里，需要有人补齐。

Canguo Science 给出的答案是一个国内可直达的平替：

保留 Open Science 的可复现方法论（40 次运行零失败、4947 篇论文文献地图可重跑），补齐它缺的模型接入层（21 个主流大模型一个入口），并解决受限网络下的直达性问题。

它的边界也很清晰：

Open Science 管证据和方法，Canguo Science 补齐可直达入口与多模型访问，研究者对检索边界、实验设计和最终结论负责。本文不做模型效果跑分，可达性数字仅代表本次运行的网络环境。

Canguo Science / CanguoAI：CanguoAI · AI 大模型 API 聚合中转服务

利益关系说明：本文作者与 CanguoAI / Canguo Science 项目有关联。本文没有进行任何模型效果对照跑分，也未声称 Canguo Science 在研究质量上优于其他工具，"平替"仅指国内可直达性与多模型接入的工程便利。