Scientific Trace：让自进化实验室的判断有据可查
TECHNICAL REPORT · SCIENTIFIC TRACE
科研 Agent 已经能够检索文献、调用工具并生成研究建议。但面对一条具体结论，生物学家仍需要追问：它基于什么输入和条件，经过哪些计算或实验验证？这些问题决定了一条建议能否进入下一步实验，也决定了结果不符合预期时，能否找到需要重新检查的环节。本文介绍 SE-Fab 的 Scientific Trace：一项支持生物学家与 Agent 追溯执行证据、复核关键判断的功能，让自进化实验室的判断有据可查。
Scientific Trace 将关键判断与输入数据、工具调用、证据产物及人工复核记录关联起来，帮助生物学家和 Agent 沿着结论查找依据、检查适用条件并识别证据缺口。成功结果连同适用条件保存，失败过程留下排查线索，判断修正保留对应依据。相关记录可随任务归档与导出，供不同生物学家与 Agent 核查、交接和整理经验，为后续实验设计、评审标准与研究策略的改进提供依据。
本文从一个聚合酶突变案例出发，说明科研判断为什么需要关联证据与适用条件；随后介绍 Scientific Trace 的记录机制与复核流程，并通过一次真实的酶筛选任务和外部模型读取证据包的演示，展示如何追查执行过程、核对结论依据，以及这些记录能够支持哪些核验。
00 / 真实科研中的问题
看一眼 vs 证据链
看一份凝胶电泳图，对一位资深生物学家而言不过是几秒钟的事：根据条带位置初步判断是否出现预期大小的扩增产物，并从异常条带中发现需要进一步排查的线索，如非特异扩增或引物二聚体。这个“看一眼、下判断”的过程，早已通过数千次实验失败与实验台经验，内化为生物学家的物理世界模型。
当模型参与更复杂的分子设计任务时，这类判断依据更需要被明确记录。设想这样的场景：用户输入一段耐热 DNA 聚合酶序列，模型很快给出一份设计建议：“推荐突变位点 T375A，结合自由能变化 -2.3 kcal/mol，参考文献 PMID: 31245678”。
这段话在屏幕上显得极为工整、自信。然而在真实的生命科学研发中，生物学家需要追查几个关键问题：
- 这个残基编号在多序列比对（MSA）里有没有偏移？
- 自由能参数是调用 Rosetta 实际计算出来的，还是模型凭语言概率编造的？
- 引用的文献在 PubMed 里究竟存不存在？
- 计算使用的是哪一版序列和结构？中途有没有数据截断？
在纯软件世界里，许多失败的调用可以较快重试；但在生命科学实验室里，一次质粒构建、引物合成、细胞表达与酶活测试需要数天甚至数周，一盒高保真酶和试剂消耗动辄数千上万元。实验投入之前，生物学家需要看清推荐依据、适用条件和验证路径。让这些信息随方案一同交付，才能把资源投入到有依据的下一步探索。
资深生物学家的快速判断背后有可以追问的经验与实验依据；Agent 的建议同样需要可追问、可核查的依据。可核查的输入、实际工具调用、可按哈希校验的产物快照与独立复核，让生物学家能够检查判断的依据和适用范围。
案例：聚合酶突变建议如何经受证据检验
展开案例：同一个突变，换一个背景，结果为什么不同
为测序应用改造一款 DNA 聚合酶时，生物学家需要同时兼顾修饰核苷酸的掺入能力、对四种底物的表现是否均衡，以及与 DNA 的相互作用是否适合测序流程。本文将所考察的单个位点改动记为 A 突变，以工程化亲本 BP0 为活性比较基准。A 突变所涉及的位点值得考察：归档的结构分析显示，相关位点靠近 DNA 接触区域，位于催化口袋之外。这一结构线索帮助生物学家确定了值得实验检验的改造方向。
如果只根据这类结构信息，大模型很容易给出一个听起来合理的建议：“优先改造外围 DNA 接触位点，在调整 DNA 相互作用的同时保留催化功能。”然而，活性测定揭示了这句话遗漏的条件：A 突变单独加入 BP0 时，保留了约 97.3% 的相对活性；当它加入已经提高活性的组合突变后，活性却从 BP0 的约 2.41 倍降至 1.89 倍，相对于该组合下降约 21.6%。在一个背景下影响较小的突变，换到另一个背景中，就可能付出明显的活性代价。这组结果说明，突变效果需要结合具体的序列背景与检测条件理解，结构线索和实验结果应当放在同一条判断链上。
面对这样的建议，生物学家需要沿着证据继续追问：
- 位点编号对应的是哪一版序列和结构？当前设计是否保留了 BP0 已有的工程化背景？“靠近 DNA、位于催化口袋之外”的判断来自哪个模型、哪些距离计算？原始分析结果能否找到？
- “保留 97.3% 活性”是在什么突变背景和检测条件下测得的？新任务需要评价的是修饰核苷酸掺入活性，还是 DNA 滞留？现有活性结果能否直接用于评价新的组合？
- 新结果出现后，原来的建议如何调整？哪些判断仍然成立，哪些需要补充实验？
让推荐、证据、适用条件和待验证问题一起进入下一轮实验，才能看清一次设计为什么成立，又应该如何调整。
这也是 SE-Fab 建立执行证据链的原因：将输入序列、结构分析、工具输出和变体身份关联记录起来，明确区分事实、推断与建议。当新证据改变判断时，保留原始记录，并说明为什么修正、还有哪些疑问、下一步需要验证什么。这样，生物学家既能追查一个推荐如何产生，也能理解它为何被保留、调整或否决，让每一轮实验积累的证据真正用于下一轮设计。
01 / 角色协作：生物学家与 AI 工程师的共同要求
Agent 走向实验台面，首先需要回应两类角色对交付的不同关注点：
生物学家： “我不在乎你在屏幕背后调用了多大参数的模型，也不在乎生成的文字多么通顺。我只要知道：这套方案哪一步真实算过、哪一步是猜的？底层数据被截断过没有？下周如果在台面上跑崩了，我能不能顺着记录查出究竟是哪一步出了问题？”
AI 工程师： “生命科学的任务链路极长，往往涉及几十个专业生信工具与外部数据库，模型每一步调用都伴随着随机性。我希望像在软件系统里看调用链路一样，检查 Agent 的判断是否有据可查；我希望每一次结论都有确凿的证据指针，而不是每当结果不理想，就让整个 AI 系统背上‘模型幻觉’的黑锅。”
Scientific Trace 要同时回应这两种诉求：让 AI 工程师交付带有可核查证据的推论，让生物学家能够像审查同行论文一样审查 Agent 的执行过程，并让复核意见成为双方推进下一步任务的共同依据。
自动化的终点不是替人类按下回车键，而是把一次不确定的概率生成，转化为可发现、可理解、可验证、可复查、可复用的科学证据。
02 / 背景：自进化实验室如何关联判断依据与执行记录
科研任务中的判断主要来自模型与软件计算、实验与设备执行，以及经验与专家判断。Scientific Trace 将这些判断与支撑证据关联起来：
- 模型与软件计算：保存输入版本、计算条件、工具调用与产物，沿着结论查找依据（已建立）。
- 实验与设备执行：记录实验提交前的设计依据，并关联后续运行与测量反馈（设备记录接入正在推进）。
- 经验与专家判断：保留生物学家和专家的关键抉择、Agent 的路线选择与 Reviewer 复核意见，交代谁依据什么改变了方案（已建立）。
SE-Fab 建设自己的 Trace，是为了将证据追溯落实到具体科研任务：围绕输入版本、计算与实验条件、判断依据和人机决策，把研究中的选择与执行记录连成可查阅、可复核的过程档案。已有的可观测、溯源和实验编排研究提供了基础，我们据此组织 SE-Fab 的任务流程与证据。
三类决定的已有记录方式，以及 Scientific Trace 记录的范围
相关研究与设计取舍
| 判断来源 | 参考做法 | 已有工作的着力点 | Scientific Trace 的设计与科研价值 |
|---|---|---|---|
| 模型与软件计算 | Langfuse、LangSmith[1][2]；Kosmos、LEDGER[3][4] | 记录调用过程、性能与用量，并将报告结论关联到代码、文献、支撑动作或产物，便于追查结果来源 | 按结论组织计算条件与证据：将输入版本、比对阈值、参考数据库和工具环境与调用记录一同归档，通过步骤、调用编号与证据引用关联判断依据；产物以内容哈希保存。生物学家能直接定位判断所依赖的条件，据此决定结果是否适用于当前任务、哪些环节需要重新验证（已建立） |
| 实验与设备执行 | PUDA、HELAO、LAP[5][6][7]；SAMPLE[8] | 围绕协议、运行、样本与测量组织实验执行和数据溯源，支持设备协作；其中部分包含自主规划与实验反馈 | 贯通实验选择依据与执行反馈：在实验提交前记录 Agent 的设计判断及其工具、文献依据，再以运行编号、时间信息和产物关联设备记录。一次异常可以沿着设计、参数与执行条件追查，帮助区分需要修改方案还是排查执行偏差（设备接入进行中） |
| 经验与专家判断 | Claim-aware Observability、PROV-AGENT[9][10] | 将科学结论、证据绑定与人的调整纳入观测或溯源模型，也覆盖仪器文件、操作员批准等可审计对象 | 把决策依据留给下一位协作者：将生物学家介入、模型选择和 Reviewer 判决记录为区分责任主体的一等事件，与相关步骤和证据关联。既能回放、追溯责任主体，也能让后续生物学家与 Agent 理解方案为什么被接受、修改或否决，为经验提炼与评审标准改进提供依据（已建立） |
模型与软件计算：从结果来源追溯到判断条件
调用链与结论溯源已经让提示词、工具调用、代码和文献引用变得可追查，上述平台与系统分别提供了调用记录和结论溯源的基础。OpenTelemetry GenAI[11] 与 Workflow Run RO-Crate[12] 进一步提供追踪语义和工作流运行记录的交换方式，使不同系统能够组织和交换执行记录。
在 SE-Fab 的生命科学任务中，我们把结果成立的计算条件随记录保留。 例如，一次比对返回了候选序列，生物学家需要知道用的是哪一版输入、是否发生截断、阈值如何设置、参考数据库是否与当前研究一致。这些条件决定了候选为何被选中，也决定了数据库或任务背景变化后，这个结果还能怎样使用。
Scientific Trace 因此按“结论—条件—证据”组织记录：计算条件随调用保存，判断依据通过步骤、调用编号和证据引用串联，产物按内容哈希保存；Reviewer 沿着这些关联复核证据的支持程度。生物学家得到的不只是一个结果出处，还包括判断它是否适用、如何复核和何时需要重验的依据。 事件随任务持续写入，后续解释与修改也留在同一份档案中，便于回查原判断与新判断各自依据了什么。
实验与设备执行：把“为什么做”与“实际做了什么”对应起来
设备与实验一侧的已有工作，重点是组织可靠的仪器调用、实验编排与运行数据溯源，相关实践包括 PUDA、HELAO、LAP 和 SAMPLE[5][6][7][8]。这些工作让协议、运行、样本与结果之间的联系能够被记录，其中部分还包含自主规划和实验反馈。
在 SE-Fab 中，这条链路还要容纳来自生信工具、文献和生物学家判断的设计依据。 例如，为什么优先测试这个突变组合，哪次计算支持了它，生物学家为什么调整反应条件？这些问题需要把实验提交前的选择依据与后续执行结果对应起来，才能看清一次失败应该推动设计修改，还是先排查样本和执行条件。
Scientific Trace 在提交实验之前就记录 Agent 的设计判断、工具结果与生物学家意见，形成可回查的依据链。接入设备记录时，以运行编号、时间信息和相关产物将执行反馈与这条依据链关联。这样的设计把实验选择、参数取舍和执行反馈放在一起复核，使一次异常留下可用于下一轮排查与设计的线索。
经验与专家判断：让决策理由能够被交接和复用
Claim-aware Observability 与 PROV-AGENT[9][10] 已将结论、证据关系和人的调整纳入通用观测或溯源模型，为人机协作留下记录。科研任务进一步关心的是：一项调整针对哪个问题，依据了什么证据，为什么原方案被接受、修改或否决。
Scientific Trace 将生物学家的介入、模型的路线取舍与 Reviewer 的复核判决，作为区分责任主体的一等事件保存，与相关步骤、工具调用和证据关联；生成与复核双方的意见都接受证据约束。一次推荐的依据、生物学家的调整理由和 Reviewer 的质疑因此可以在同一份任务档案中对照查看，而不是散落在不同对话里。
保留这些理由，是为了让后续协作者理解已有选择，并判断哪些经验适合新的任务。 独立 Reviewer 的意见随证据包导出，生物学家与新的 Agent 可以据此继续核查、提炼经验和调整评审标准，让人的判断与模型的探索成为可持续积累的研究资产。
我们按科研判断组织记录，让生物学家既能查到任务如何执行，也能核对结论的依据和适用条件。
03 / 设计哲学
Scientific Trace 按四个要求组织任务记录，帮助生物学家核对执行、复核判断，并在后续研究中继续使用这些记录：
分清执行记录与模型判断
工具实际接收了什么、返回了什么，与模型如何解释结果，应当分开记录。Scientific Trace 同时保留这两类信息，生物学家可以把判断与实际执行情况对照查看。
- 执行事实（Facts） 保存工具实际接收的输入、返回的输出、运行状态与耗时，并记录产物的内容哈希。
- 科学判断（Judgments） 保存模型对结果的解释、提出的假设，以及支持这些判断的文献和产物，供 Reviewer 复核。
- 判断发生变化时，原始执行记录仍然保留；材料是否已保存、哪些记录缺失，也会明确标出，方便后续核查。
让独立 Reviewer 检查结论依据
提出方案与复核证据分别由不同角色负责，让结论经过一次独立检查。
- 主 Agent 与子代理 负责规划、推进任务和处理具体计算、文献阅读等工作。
- 独立 Reviewer 检查证据是否支持结论，说明发现了什么问题、依据是什么；系统自动检查记录结构和材料完整性。复核意见随任务保存，重要分歧由生物学家处理。
- 生成与复核都要说明依据。Agent 保留判断理由，Reviewer 需要说明问题依据，对判为失败的问题提供对应的产物或调用编号。文件是否存在等可直接核对的问题，会被写成结构化事实断言，再与已保存记录核对；如果质疑与记录冲突，系统会纠正对应问题的判定，并保留纠正依据。
任务记录按顺序保存，随时可以回查
一次任务经过了哪些步骤、每一步留下了什么结果，都应能从原始记录中查到。Scientific Trace 按顺序保存任务过程，并保留记录与产物的对应关系。
- 每个任务的过程记录依次追加保存；原始产物按内容哈希单独保存，记录中保留其引用与保存状态。
- 记录带有序号、时间戳和调用关系，方便还原执行顺序；写入时控制并发，避免序号冲突。
- 查询索引根据原始日志生成，可以重新构建。导出时保留原始事件记录与已保存产物，并按证据清单核对哈希，让查阅和交接有原始记录可核对。
把已有记录用到下一次研究中
Scientific Trace 将任务过程与复核意见保存在可追查的档案中，保留有效做法、排错过程和处理依据。生物学家与 Agent 可以回查一个选择如何产生、一个问题如何解决，再结合当前任务条件判断哪些经验适用。
配合 Agent 的记忆机制，相关背景与已有记录可以进入新的任务上下文，帮助后续任务接续研究，并为调整实验设计与评审标准提供依据。
04 / 核心设计：从意图到证据的任务链路
Scientific Trace 把一次任务的输入、工具调用、产物与复核记录组织为一个可整体导出、可脱机核验的证据包（Evidence Bundle）。
交互流程：从意图到证据的七个环节
七个环节将规划、记录、归因、判断、复核、完整性标记和导出组织在同一条证据链上。其中，ATTRIBUTE（归因） 明确步骤与决策的责任主体，REVIEW（复核） 检查结论与证据的支持关系。Reviewer 在任务交付后异步复核，意见继续写入任务档案，供生物学家查阅并随后续导出保留。生物学家既能看清任务怎样推进，也能追查结果的依据与复核意见。
05 / 真实案例：第三方大模型读取 39 MB 证据包
我们用一次真实任务，展示 Scientific Trace 如何支持外部读取与任务交接。将“从嗜热古菌中筛选 B 家族 DNA 聚合酶（PolB）”任务导出的证据包（压缩包，约 39 MB）上传给外部第三方大模型，未提供额外项目背景，只问了一句：“这个压缩包内是什么内容？” 模型思考约 1 分 16 秒后给出了图 5 的回答。
图 5 · 第三方大模型解析证据包：模型将其描述为“完整的执行轨迹证据包”，列出其中的会话记录、证据清单与内容寻址对象，并识别任务记录中显示的执行进展
这次演示表明，在未补充项目背景的情况下，外部模型能够根据导出的记录识别任务目标、计划和部分执行结果。展示范围是对证据包的读取与理解，未包含重新执行计算或复现实验。
06 / 证据成熟度：从看见过程到可复核的证据链
Scientific Trace 的能力沿着科研协作逐层展开：从查看任务过程，到核对结论依据，再到离线交接和经验复用。过程有序、证据可查、决策有归因，生物学家与 Agent 才能在同一份任务档案上继续工作。
以下为 SE-Fab 用于描述自身能力的四级分级框架：
| 级别 | 核心能力 | 判定与核验方式 | SE-Fab 当前状态 |
|---|---|---|---|
| L1 · 可回看与可回放 | 过程可实时查阅，且回放已保存的记录，并展示缺口 | 具备结构化时间轴、已保存的思考记录与事件帧回放能力，页面刷新与重启现场不丢失；未完整保存的环节以完整性标记显式展示 | 已建立（事件流实时渲染、快照恢复与历史记录回放，材料状态与证据缺口随记录标出） |
| L2 · 可复核与可归因 | 结论直达原始证据，保留人机关键抉择 | 判断记录经步骤、调用编号及证据引用，关联工具入参、输出与证据产物；产物以 CAS 哈希保存。人的介入、模型路线取舍与 Reviewer 审查判决均作为区分责任主体的事件记录 | 已建立（独立 Reviewer 证据复核与确定性纠偏，人的介入与复核判决可回放、可追溯责任主体） |
| L3 · 可离线复核与回放 | 脱离在线系统依然能离线校验与回放 | 导出 Evidence Bundle，离线环境下可校验已保存的 SHA-256 CAS 对象与缺口标记，支持脱机回溯已记录的过程与证据关联 | 已建立 |
| L4 · 可继续推理与自进化 | 跨轮次、跨主体读取历史经验底稿接力推进 | 将历史决策、排错记录与实验反馈用于下一轮规划，保留采用依据，并通过后续实验检验调整效果。 | 进行中（Agent 记忆支持已有信息的整理、召回与上下文注入；实验反馈驱动的判断更新与效果验证持续建设） |
这四级阶梯中，有两项能力构成了科学协作的基石：
第一，可回放性（Replay Capability）
科学争议的核查需要能够回溯执行过程。Scientific Trace 按时间顺序重建任务时间线：步骤摘要与思考记录（Thinking）、工具入参和返回、产物变化及复核意见，都能在对应步骤展开查看。生物学家可以回到产生分歧的节点，检查当时使用了什么输入、依据哪些结果作出判断，以及后续为什么调整。
回放重建的是任务执行记录；复现实验则依据这些记录重新开展计算或实验，检验结果。Trace 把当时的输入、参数、产物与决策保留下来，为复现提供可追查的过程底稿。记录标明材料的保存与引用状态，以及写入失败、执行中断等证据缺口，让复核者能够直接定位需要补充的证据。
第二，人类与 Agent 关键抉择的显式归因（Human-Agent Decisions & Handoff）
在严肃科研中，系统应明确记录关键决策的责任主体和依据。Trace 将关键选择与修改依据纳入任务时间线，帮助双方回答：
- 为什么 Agent 放弃了备选算法 B，而选择了算法 A？（模型自主判断及其依据）；
- 为什么系统在某一步停下来，请生物学家确认退火温度和循环数？（识别出高风险参数，发起人工确认）；
- 人类专家介入时，系统呈现了哪几个候选选项？专家最终裁决选择了哪一条、手动微调了哪个参数？
把这些决策依据与人工确认记录原子化地写进时间线，使得一份成果在交付时不仅能回答“最终结论是什么”，更能清楚交代“谁在什么节点做出了关键裁决、背后的科学依据是什么”。这些记录既帮助生物学家核查方案，也让后续 Agent 理解生物学家的选择及其依据，保持协作过程的连续性。
07 / 结语：让执行留下证据，让证据推动下一轮探索
SE-Fab 的目标，是让 AI 在人类监督下，持续参与科学问题的提出、实验执行与结果验证。在这一实验室架构中，Hardware MCP 为设备能力调用、状态获取与执行反馈提供统一接口；Scientific Trace 则关联设计依据、工具调用与结果，让生物学家能够沿着一个结论，追溯它的产生过程和支撑证据。
这种关联决定了实验经验能否用于下一轮探索。一次活性下降，需要结合具体突变背景和检测条件解释；一次设计判断的修正，需要说明哪些新证据改变了原有认识。当执行过程有据可查，判断变化有因可循，每一轮实验才能为下一轮设计提供可复核的依据。
Scientific Trace 已建立任务留痕、证据关联、独立复核与离线交接，并为经验提炼和召回提供过程依据。生物学家与 Agent 因而拥有可共同查阅的任务底稿，能够解释已有结果、接续研究，并从成功与失败中整理可复用的经验。
让这些记录支持下一轮研究，还需要明确结果的评审标准，并从失败中找到调整方向。涌生智能 CEO 杨梦博士在 2026 年 7 月的专访中指出：“要有效驾驭 AI，我们首先要在工程上为它定义一套严密的 Rubrics——即明确如何验收和评估 AI 生成的结果。”杨梦博士同时强调失败数据的价值，并介绍了将实验分析、文献检索、工具调用及返回结果分层沉淀为知识与实操经验的思路。
在 SE-Fab 中，Scientific Trace 将执行记录、复核意见与判断修正关联起来，为评审和经验积累提供可核查的依据。我们持续完善实验反馈与判断更新的关联，让新结果找到原判断及其依据，把修正后的建议送入下一轮验证，并据此改进评审标准与研究策略。
08 / 我们仍在推进和完善的事
涌生智能的愿景是 Scale Agentic Discovery，让科学发现走向可验证、可复制、可规模化。我们正在连接 AI 的设计与推理、真实实验的执行和结果反馈，让每一轮探索留下的证据成为下一轮设计可以检查和使用的基础。
这项工作需要 AI、软件、实验自动化与生命科学共同推进。如果你也希望解决“如何让一次失败改变下一轮判断”“如何让模型与生物学家接续理解同一项实验”这些问题，欢迎与我们交流，共同建设自进化实验室。
参考资料
- Langfuse. LLM Observability & Tracing (documentation). https://langfuse.com/docs/observability/get-started
- LangChain. LangSmith Observability. https://www.langchain.com/langsmith/observability
- Mitchener L., et al. Kosmos: An AI Scientist for Autonomous Discovery. arXiv:2511.02824. https://arxiv.org/abs/2511.02824
- Kim D., Miao H., Liu S. LEDGER: Claim-to-Evidence Trace Graphs for Auditing LLM Agents. arXiv:2608.18398. https://arxiv.org/abs/2608.18398
- Ren Z., Tan H., Yee J., Hippalgaonkar K. PUDA: An AI-Native Hardware Harness for Self-Driving Laboratories. arXiv:2607.26464. https://arxiv.org/abs/2607.26464
- Rahmanian F., et al. Enabling Modular Autonomous Feedback-Loops in Materials Science through Hierarchical Experimental Laboratory Automation and Orchestration (HELAO). Advanced Materials Interfaces, 2022, DOI: 10.1002/admi.202101987. https://doi.org/10.1002/admi.202101987
- Zhu L., et al. LAP: An Agent-to-Instrument Protocol for Autonomous Science. arXiv:2606.03755. https://arxiv.org/abs/2606.03755
- Rapp J. T., Bremer B. J., Romero P. A. Self-driving laboratories to autonomously navigate the protein fitness landscape. Nature Chemical Engineering, 1, 97-107 (2024). https://www.nature.com/articles/s44286-023-00002-4
- Yin X., Du M., Prince M. H., Cherukara M. J. Artifact-centered Claim-aware Observability for Autonomous Scientific Agents. arXiv:2608.18312. https://arxiv.org/abs/2608.18312
- Souza R., Gueroudji A., DeWitt S., et al. PROV-AGENT: Unified Provenance for Tracking AI Agent Interactions in Agentic Workflows. Proceedings of the 2025 IEEE 21st International Conference on e-Science, 2025. arXiv:2508.02866. https://arxiv.org/abs/2508.02866
- OpenTelemetry. Semantic Conventions for Generative AI (GenAI semantic conventions repository). https://github.com/open-telemetry/semantic-conventions-genai
- Workflow Run RO-Crate. Research Object. https://www.researchobject.org/workflow-run-crate/