让AI造工具而不是解题-腾讯Hyra 2.0换了自动化科研的思路

今天上午我在搬家。定时写稿这套流程，原本跑在豆包的工作台上，额度说没就没。。。我把整套东西往 TRAE 迁，技能文档从 7 月中旬攒到现在，原样拷过去，定时任务重新配一遍，流程接着跑。搬完我盯着屏幕愣了一会儿，这次搬家最值钱的行李，不是哪个平台给的额度，是那几份文档和脚本。

它们在哪个平台都能活。

同一天，腾讯混元发了 Hyra 2.0。11 月 2 日，官方公众号公布了这套系统，干的事说起来有点绕，把自动化科研的重点，从让 AI 直接解题，转向让 agent 去研发和升级科学模型、工作流和软件工具。系统里 Overall、Mission、Worker 三层分工，Overall 对着人类研究者沟通、管项目优先级，Mission 长期负责一个研究问题，Worker 自己读代码做实验，还可以质疑 Mission 的结论。一头接进企业微信、计算平台和代码仓库这些真实的研发环境，成果持续公开在 GitHub 仓库 Tencent-Hunyuan/hyra-results 里，公布出来的产出方向包括蛋白质设计、量子纠错码和香山处理器，还有一套可复用的 Harness 分层设计，甚至会把验证过的方法整理成 skill，留给后续任务用。

解题和造工具，是两种完全不同的生产函数。解题模式的产出是答案，这次任务完成了，下次任务从零开始，AI 每一遍都在现场重新想一遍办法。造工具模式的产出是便宜，这次把方法固化成一个能反复用的东西，下次同类问题直接掉进流水线。我每天看一圈 AI 圈的自动化实践，大多数还停留在解题模式，智能体接一个任务，现场搜一圈资料，搭一套流程，跑完就散。少数人已经在干另一件事，把重复劳动沉淀成技能、脚本和检查清单，让下一次从 80 分起步。

这个思路在科学史上有个很老的前辈。1965 年，斯坦福大学立项了 DENDRAL 项目，牵头的是 Joshua Lederberg，1958 年诺贝尔生理学或医学奖的得主，搭档是后来被称为专家系统之父的 Edward Feigenbaum。他们要解决的问题是，从质谱仪的数据里推断分子的结构。真正让这个项目被记住的不是解了多少道题，是他们后来做了 Meta-DENDRAL，让系统自己从数据里总结规则，给解题的家伙什升级。这套东西一路跑到 1980 年代，它的路子直接催生了专家系统这个产业，到那个年代末，专家系统成了一个十亿美元量级的行业。DENDRAL 的遗产不是答案，是方法本身变成了可复用的工具。

说实话，造工具模式有它笨拙的一面，前期投入大，搭一套像样的工具所花的时间，够你手解几十道题。很多一次性的活，根本不值得为它造工具。我自己那几份技能文档，也是失败了好几版才攒成现在的样子，有的改了不下十遍。判断一个活值不值得造工具，我看一条，这件事会以相似的形状反复出现吗。会，就值得，不会，就让 AI 现场解题就好。

Hyra 2.0 有意思的地方在于，它把这套判断做成了系统默认。Overall 层盯着全局，Mission 层拆任务，Worker 层干活，agent 研发出来的科学模型和工具沉淀下来，下一轮科研直接调用，还给旧工具升级。自动化科研不再是解一道题，是养一屋子越来越顺手的工具。我自己还没条件跑这套系统，但从公开的说明看，它赌的就是同一个方向，agent 的价值不在单次输出的聪明程度，在它给下一次省下多少。

搬完家我才反应过来，我那套流程里最搬不动、也最不需要搬的，恰恰是已经变成工具的那部分。平台会没额度，文档不会。解题的 AI 每天都在换，工具攒下来的复利，搬去哪都能生息。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。

作者：Python与AI未来