Wisp Science hält KI-Forschung lokal und nachvollziehbar

Worum es geht

Wisp Science ist eine quelloffene Desktop-Werkbank für wissenschaftliche Arbeit mit KI-Agenten. Das Tool verbindet Literaturrecherche, Python- und R-Sitzungen, wissenschaftliche Datenbanken, Dateien und entfernte Rechner in einem Projekt. Es richtet sich besonders an Menschen, die Analyse, Quellen und Zwischenergebnisse nicht über mehrere Chats, Notebooks und Server verteilen möchten.

Das Repository wurde laut GitHub am 1. Juli 2026 angelegt. Installationspakete stehen für Windows, macOS und Linux bereit; der Quellcode nutzt die AGPL-3.0-Lizenz. Das Projekt ist jung, aber als echte Desktop-Anwendung verfügbar. Ein DOI-Eintrag bei Zenodo schafft zusätzlich eine zitierbare Referenz für die Software.

Was Wisp Science tatsächlich macht

Wisp Science speichert Projekte, Unterhaltungen und Zugangsdaten auf den eigenen Geräten. Zugangsdaten liegen laut Dokumentation im Schlüsselbund des Betriebssystems und nicht in der lokalen SQLite-Datenbank. Modelle werden von den Nutzenden selbst angebunden: Unterstützt werden OpenAI-kompatible Schnittstellen und Anthropic-Modelle, außerdem lassen sich Codex und Claude Code über ACP steuern.

Python- und R-Kernel bleiben über einzelne Schritte hinweg bestehen. Neben dem lokalen Rechner können WSL-, SSH- und GPU-Systeme registriert werden. Längere Rechenläufe erscheinen als eigene Runs mit Protokollen. Für wissenschaftliche Datenquellen liefert das Projekt MCP-Anbindungen mit, darunter PubMed und GEO. Dateien wie PDFs, Office-Dokumente, Bilder und Notebooks lassen sich in der Anwendung vorab betrachten.

Eine Publikationsansicht soll Manuskriptstände und zugehörige Belege als sogenannte Evidence Capsules einfrieren. Experimente können in getrennten Zweigen ausprobiert werden, ohne den Hauptstand sofort zu verändern. Freigaben für Agentenaktionen bleiben standardmäßig aktiv, sofern Nutzende nicht ausdrücklich volle Berechtigungen einschalten.

Warum das wichtig ist

Wissenschaftliche KI-Workflows scheitern nicht nur an Modellfehlern. Häufiger gehen Herkunft, Parameter und Zusammenhang verloren, weil Literatur im Browser, Code im Notebook, Daten auf einem Server und Erklärungen in einem Chat liegen. Eine gemeinsame Projektspur kann die spätere Prüfung erleichtern.

Der lokale Ansatz ist besonders relevant, wenn unveröffentlichte Daten oder Zugangsdaten beteiligt sind. Lokal bedeutet jedoch nicht automatisch vertraulich: Sobald ein externes Modell verwendet wird, können Prompts und ausgewählte Daten den Rechner verlassen. Entscheidend sind deshalb die Einstellungen des Modellanbieters und die Frage, welche Dateien der Agent tatsächlich lesen darf.

Die AGPL-3.0-Lizenz ermöglicht Prüfung und Selbstbetrieb, verlangt bei veränderten Netzwerkdiensten aber besondere Aufmerksamkeit für die Weitergabepflichten. Forschungsteams sollten Lizenz- und Datenschutzfragen vor einer zentralen Bereitstellung klären.

Einfach erklärt

Wisp Science ist wie ein Laborbuch, an dem zusätzlich Taschenrechner, Bibliothekskatalog und Fernbedienung für den Rechenserver befestigt sind. Statt lose Zettel später zusammenzusuchen, bleiben Fragen, Berechnungen und Ergebnisse im selben Ordner. Das Laborbuch garantiert trotzdem nicht, dass ein Experiment korrekt geplant oder eine Quelle richtig verstanden wurde.

Praktisches Beispiel

Eine Bioinformatikerin untersucht 24 RNA-seq-Proben. Sie öffnet ein gebündeltes Demonstrationsprojekt, verbindet danach ihren eigenen SSH-Rechner und startet eine R-Analyse. Der Lauf dauert 45 Minuten; Protokoll, erzeugte Abbildungen und verwendete Dateien bleiben dem Projekt zugeordnet. Parallel sucht sie über PubMed nach fünf passenden Arbeiten und fügt zwei Quellen zum Entwurf hinzu.

Für einen sinnvollen Test sollte sie zunächst öffentliche Beispieldaten nutzen. Sie prüft, ob sich jeder Wert bis zum Skript und zur Eingabedatei zurückverfolgen lässt, ob ein abgebrochener Lauf sauber fortgesetzt wird und welche Inhalte an den Modellanbieter gesendet werden. Erst danach sollte ein Ethik- oder Datenschutzverantwortlicher die Nutzung interner Forschungsdaten freigeben.

Einordnung und Grenzen

Erstens ist Wisp Science ein sehr junges Projekt. Langzeitstabilität, Migrationspfade und Verhalten bei großen Projekten sind noch nicht breit unabhängig belegt. Zweitens kann ein KI-Agent Quellen falsch zusammenfassen, Codefehler erzeugen oder statistisch ungeeignete Methoden wählen. Fachliche Prüfung und reproduzierbare Tests bleiben Pflicht.

Drittens endet lokale Datenhaltung dort, wo externe Modelle oder Datenbanken aufgerufen werden. Teams müssen Netzwerkverkehr, Modellverträge und Zugriffsrechte selbst bewerten. Zusätzlich sollten Organisationen vor einem gemeinsamen Web- oder Serverbetrieb prüfen, welche Pflichten sich aus AGPL-3.0 ergeben. Wisp Science ersetzt weder ein validiertes Laborinformationssystem noch institutionelle Forschungsgovernance.

SEO- und GEO-Schlüsselbegriffe

Wisp Science, KI-Forschung, wissenschaftliche Werkbank, lokale KI, Python, R, Bioinformatik, MCP, reproduzierbare Forschung, Forschungsdaten