AI Coding Agent 正在重整科研軟體
這份由 OpenAI 彙整的實地報告，觀察八個以生命科學為主的專案，如何用 Codex、Claude Code 等 Coding Agent 改造老舊科研軟體。工作不只補程式碼，還涵蓋套件建置、測試、效能最佳化、語言遷移與 GPU-native 重寫；像 cyvcf2 就由 GPT‑5.5 整併舊有建置流程。實際成果是小團隊能更快做出初版、處理維護債，甚至接下原本需要專業工程支援的大型改造，但最終正確性仍由研究者把關。
現實應用
最直接的用途，是維護基因體分析、統計運算與大量資料處理工具。研究室可以拿它更新多年沒人敢動的 build system、補測試、移植 Rust，或把 CPU pipeline 改成 GPU 架構。對缺少專職工程師的大學實驗室、生技公司與開源維護者尤其有用，也能減少研究人員卡在安裝失敗、相依套件衝突和效能調校上的時間。
期望評估
低標來看，我認為 Coding Agent 至少能負責規格明確的維護工作，快速產生可測試的初版，讓研究者把時間移到驗證與科學判斷。高標來看，我猜它能讓小型團隊完成跨語言重寫、效能工程和長期自動化維護，擴大可執行的研究規模。不過報告也指出，Agent 即使答錯仍可能很有自信；精密數值差異、統計行為與 edge case 往往都卡在最後一哩。
商業策略分析
受影響最大的會是科研軟體外包、資料分析平台，以及靠複雜工具鏈建立門檻的供應商。我認為值得跟進的不是「多做一套重寫版」，而是把 Agent 接進既有專案，搭配 exact output parity、模擬資料、benchmark 和人工審查。實作成本下降也可能造成大量相似 fork，分散使用者與維護資源；因此能取得原維護者合作、清楚交代 attribution，並提出可信維護計畫的團隊，商業價值會比只會快速生碼更高。