在本文中，我们介绍了LLMoxie，一个机构级AI平台，其三层架构支持多云和本地推理。该平台包含一个LiteLLM/MLflow控制平面，用于身份验证、预算管理、个人信息屏蔽和可观测性，以及一个用于AI编码代理的应用增强层。其顶部构建了一个开源的RSE-Plugins生态系统，将积累的RSE知识编码为一个插件-代理-技能层次结构，涵盖科学Python实践、特定领域知识、六阶段研究与实施工作流程及项目生命周期管理。
科学软件的评价标准不仅限于原始代码质量，更在于其是否能够被引用、审计、重现和扩展。现成的AI编码代理在商业软件基准下进行了优化，但在此环境中表现不佳：它们忽视了所调用的科学Python库的规范，错误处理敏感或受限制的数据，并且留下的决策轨迹难以事后重建。
我们汇报了在一个大学基础的研究软件工程（RSE）中心的二十个月实践，RSE团队在天文学、地球与气候科学、农业和健康项目中嵌入工作，以缩小这一差距。我们描述了在多领域RSE中心采用Agentic AI过程中反复出现的基础设施、治理和流程挑战，阐述了平台和插件设计，并从实际科学软件部署中提炼出操作经验。通过这些，平台和插件将AI编码代理从通用代码生成器转变为尊重社区规范并产生可审计技术推理来源的领域感知协作伙伴。
博主点评： LLMoxie的三层架构不仅展示了AI在科学软件开发中的潜力，也强调了在多领域合作中尊重社区规范的重要性。通过插件生态系统，LLMoxie为AI编码代理赋能，使其能够更好地适应科学研究的复杂需求，推动了科研软件的质量与透明度。