企业官网建设流程全解析

BrainPilot 是一个开源、人在回路的脑科学智能体研究系统，它通过 PI 智能体协调文献、实验、工程、写作与审查多个专业智能体，配合领域技能库、研究数据集和可检查的 Graph of Trace 科研轨迹，帮助研究者跑通从文献综述到数据分析报告的完整科研工作流。本文面向新手，用 6 个步骤带你把 BrainPilot 从安装一路用到产出可复核的分析报告，每一步都说明做什么、为什么做、以及在哪里核对结果。

一、BrainPilot 是什么？为什么适合科研新手

BrainPilot 的核心思路是把"科研"拆成可协作的流程：

• PI 智能体（主研究员）：与你对话、理解目标、规划任务；
• 专业智能体团队：librarian（文献）、experimentalist（实验）、engineer（工程）、writer（写作）、auditor（审查）各司其职，角色定义见 personas.ts；
• 技能库（Skills）：内置 72 个经过整理的领域方法论技能，覆盖 EEG/ERP、fMRI、计算建模、文献数据库等 7 大研究方向；
• Graph of Trace（GoT）：把每个会话记录成一张可检查的轨迹图，任务结构、证据流向、决策点全部可见，存储实现在 trace.ts。

对新手来说，最大的价值不是"自动出结论"，而是过程可检查：每一步结论都能回溯到证据、代码和文件。

二、第 1 步：安装并启动 BrainPilot（5分钟快速开始）

准备条件只有两项：Node.js ≥ 22和一个模型服务商 API key（没有 key 也可以先用 mock 模式体验界面）。

全局安装并启动：

npm install -g @brainpilot/app@0.2.3 brainpilot up

打开终端打印的本地地址即可进入浏览器界面。几个常用命令：

brainpilot up --detach # 后台运行 brainpilot status # 查看健康状态 brainpilot logs # 跟踪日志 brainpilot down # 停止后台进程

启动后进入Settings → Providers添加模型服务商（支持 Anthropic Messages、OpenAI Completions、OpenAI Responses 等协议），点击Use设为默认，再点击Test确认连通：

💡 提示：没有 API key 时可用BP_MOCK=1 brainpilot up冒烟测试，但 mock 模式不能承担真实研究任务。完整步骤见 快速上手指南。

三、第 2 步：认识你的"科研团队"，明确分工边界

发送任务前，先理解 BrainPilot 的分工，这样你在 Prompt 里写清楚"要人批准的节点"，效果会好很多：

一个有效的研究请求通常包含五部分：目标、数据与背景、方法约束、交付物、复核节点。官方推荐的首个任务示例：

为 fMRI 分析方案制作一份简短的复核清单。指出每项需要人工确认的假设。不要实际执行分析，也不要虚构缺失的研究信息。

四、第 3 步：发送第一个研究任务，验证"跑通"

1. 点击New chat（新建会话），确认消息框旁显示的模型；
2. 写清上面说的五要素，发送并保持页面打开；
3. 完成后在四个面板中检查结果，而不只看最终答案：
   • Chat：请求、澄清与最终回复；
   • Files：输入、代码、图表、报告等产物；
   • Agents：参与了哪些角色；
   • Trace：关键步骤、工具调用与证据流。

能顺利打开该会话的 Trace 与文件，就代表环境健康，可以放心开始更大的任务。

五、第 4 步：文献综述——从检索到证据收集

文献环节是 BrainPilot 技能库最密集的领域之一。系统内置了面向主流数据库的检索技能，智能体可调用：

• pubmed-database/SKILL.md：PubMed 检索、摘要与全文获取；
• literature-search-openalex/SKILL.md：OpenAlex 开放学术检索；
• literature-search-arxiv/SKILL.md：arXiv 预印本检索。

如果你有自己的论文 PDF，可以在Settings → Knowledge Base中走内置的摄取流水线：选择 PDF → 准备本地检索环境 → 配置 OCR 与元数据提取 → 点击Prepare search。索引完成后，智能体可通过get_domain_knowledge_local（向量检索 + rerank）和search_papers_local（元数据检索）两个工具查询你的私有知识库，整个流程见 KnowledgeBase/README.md：

内置技能库与知识库的覆盖规模可参考下面的统计图，以及 技能与知识库文档：

六、第 5 步：数据分析——让真实数据进入工作流

本地安装中，Plugins → Datasets提供按研究问题、模态筛选的数据集目录（48 个条目、15 个主题），下载完成后点击Use in new research即可把数据路径带入新的研究草稿。数据与持久文件的工作区机制见 研究工作区文档。

分析方法同样由技能库驱动。以 EEG 为例，eeg-preprocessing-pipeline-guide/SKILL.md 封装了滤波、伪迹剔除（ICA/ASR）、重参考等完整流程参数；fMRI 方向则有 fmriprep、GLM 分析等技能。智能体会按需读取这些方法论，而不是凭空猜参数。

下面是 BrainPilot 在 EEG 运动想象解码任务上的真实案例：在 BCI Competition IV 2a 上，其对 9 名受试者中的 7 名超过了基线方法 EEGNet（准确率 0.580 → 0.620），并且如实地报告了配对检验未达显著这一局限——这正是"保留证据边界"的科研态度：

⚠️ 提醒：不要把可识别的受试者数据、临床记录或 API key 上传给系统，先做去标识化。

七、第 6 步：报告撰写、审查与 Trace 核对

最后一步是把结果沉淀成报告并自我核查：

1. 写作：内置 markdown-report-writing/SKILL.md 指导生成结构完整、带目录与图示的 Markdown 报告；
2. 审查：auditor 智能体会检查结论与证据链是否一致、引用是否可溯、有无幻觉风险；
3. 核对 Trace：打开轨迹面板，选中某个步骤，再通过文件操作打开对应产物，确认"记录中的动作 = 保存的文件"。注意：步骤有记录 ≠ 科学结论已批准，关键数值要回到文件里复核。

八、新手最佳实践清单

结语

BrainPilot 的科研工作流可以概括为一句话：PI 智能体规划、专业智能体执行、技能库提供方法论、Graph of Trace 保证全过程可检查。走完这 6 步——安装启动、认识团队、跑通首任务、文献综述、数据分析、报告核对——你就拥有了一个能持续复用的脑科学智能体工作台。更多安装细节与故障排查可参考 README.md 与 troubleshooting 文档。