夜雨聆风
很多医生最近都有一个疑问：
AI都这么厉害了，为什么还不能帮我做科研？
它可以写综述、写代码、写论文。
但真正做科研的时候，你会发现一个问题：
AI只会说，不会做。就像一个只给建议、却从不进实验室的指导老师。
你问它：“帮我分析这个数据。”
它可以给你一段Python代码。
但接下来：
不会打开数据
不会运行代码
不会修bug
更不会生成结果图
它只是给建议的人。
于是AI领域开始出现一种新的内容——AI Agent。
简单来说，AI Agent的目标只有一个：让AI不仅能思考，还能动手做事。它可以操作电脑、运行代码、读取文件，甚至自动完成一整套任务流程。
而OpenClaw，就是最近非常火的一个AI Agent开源项目。
换句话说：AI Agent是一种技术架构，OpenClaw则是这种架构的一种具体实现。
今天我们就拆解一下AI Agent到底是怎么工作的？以及医生做科研，能怎么用它。
第一部分：先搞清楚——什么是AI Agent？（它不是大语言模型）
这是最核心、最容易混淆的一点。
首先要搞清楚一件事：AI Agent ≠ 大语言模型。很多人把两者混在一起，但其实完全不是一回事。
大语言模型（Large Language model，LLM）：像ChatGPT、DeepSeek这样的大模型，本质只有一个能力：预测下一个词。当你输入一句话时（这叫Prompt），模型只是根据概率去猜接下来最可能出现的词（Token）是什么，然后输出出来，仅此而已。
它没有记忆： 每次对话结束，他就忘了你。
它没有行动能力： 他只能吐字，不能帮你下载文献、分析数据。
它无法访问你的数据：它不能读取文件，也不能运行程序。
所以它做不了这些事情：下载文献、读取Excel、运行代码、做数据分析。它只是一个会说话的大脑。
AI Agent（以OpenClaw为例）： 它是那个住在电脑里的龙虾。它不是语言模型，它是跑在你电脑上的一个程序，是人与语言模型之间的界面。
它的工作： 接收你的指令（通过飞书、微信等聊天软件） -> 加工指令 -> 呼叫背后的语言模型 -> 接收模型的回复 -> 解析回复 -> 执行具体操作（如打开文件、运行代码） -> 把结果再喂给模型 -> 最后回复你。
结论： 你的龙虾聪明不聪明，取决于背后接的模型（GPT4、DeepSeek、通义千问等等）；但龙虾能不能干活，取决于它自身的框架设计。
第二部分：核心机制解剖——龙虾是怎么思考和行动的？
1. System Prompt：小龙虾的人格与岗前培训
很多人发现一个现象。当你问OpenClaw：“你是谁？”
它会回答：“我是小龙虾。”
这不是AI突然产生了自我意识。
原因其实很简单。
每次对话之前，系统都会自动拼接一段很长的提示词。这段内容来自本地文件，里面写着：
你是谁（小龙虾）
谁是你的主人（欣欣）
你的目标是什么（成为世界一流的科研助手）
行为规则是什么
然后再把你的问题一起发给语言模型。
这一大段贴在前面的文字，就叫System Prompt。
所以模型看到的其实是：
“你是小龙虾，你的主人是欣欣，你的目标是成为世界一流的科研助手……现在请做自我介绍。”
它自然就会回答：“我是小龙虾。”
这就像实验室的新研究生入组时，你会给他一本实验室手册。里面写清楚：谁是导师、研究方向是什么、实验室规则是什么。每次做实验之前，他都要先知道这些基本信息。
2. Tool：龙虾的“手”和“脚”
问题： 怎么让AI真的去读我电脑里的文件？
机制：当你命令它“打开question.txt，读里面的问题，写到answer.txt”，流程是这样的：
你 -> 龙虾： 发指令。
龙虾 -> 模型： 把指令 + System Prompt 发给语言模型。
模型 -> 龙虾： 模型读到System Prompt里写着“你有
read和write工具可用”，于是它回复的不是普通文本，而是一个特殊符号 + 指令：“使用工具：read，参数：question.txt”。龙虾执行： 龙虾是“六亲不认”的节肢动物，它看到特殊符号，就死板地执行本地的
read函数，读出文件内容：“欣欣是谁？”龙虾 -> 模型（再次）： 龙虾把读出的结果贴回给模型，形成新的对话历史。
模型 -> 龙虾： 模型看到结果，再回复：“使用工具：
write，把‘大金’写到answer.txt。”龙虾执行： 执行
write，写文件。然后告诉模型“Done”。模型 -> 龙虾 -> 你： 模型最后接出“主人，任务完成”，龙虾转发给你。
核心概念：
工具： 就是
read、write、execute（执行任何Shell命令）、web_search这些写死在OpenClaw里的功能。最危险的工具：
execute。它让模型可以执行任何Shell命令。如果模型发疯说“执行rm -rf /”，龙虾会照做。这就是为什么必须给龙虾独立电脑。
3. Skill：工作的SOP（标准作业程序）
问题： 复杂的任务（比如做影像组学分析）步骤很多，每次都要从头想一遍吗？
机制：
Skill是什么？Skill不是工具，它是SOP标准化执行临床，是一段文字描述的工作流程。比如“做视频的Skill”里写着：「影像组学分析的Skill」具体流程 Step1: 读取影像和ROI分割； Step2: 使用 PyRadiomics 提取影像组学特征； Step3: 进行特征标准化和缺失值处理；Step4: 特征筛选（如 LASSO）；Step5: 构建预测模型（如 Logistic 或 Cox）；Step6: 计算 AUC 或 C-index 并生成结果图。
Skill存在哪？ 存在本地的
.md文件里。怎么用？
扫描加载：龙虾组装System Prompt时，会自动扫描指定文件夹，检测可用Skill，并在Prompt中添加提示：「你有以下Skill可用：影像组学分析Skill，路径在xxx，说明是yyy」；
调用读取：当你发出指令「用这批数据做一个影像组学预测模型」，语言模型看到可用Skill后，会回复：「使用工具：read，读取 radiomics_analysis_skill.md」；
执行流程：龙虾读取Skill文档内容，将完整的影像组学分析SOP贴进对话，语言模型对照SOP，逐步调用工具执行每一步操作。
核心概念：
Tool（工具）：是龙虾本身自带的基础功能（如读取文件、运行Python脚本、执行程序），相当于“手和脚”；而Skill（SOP）：是指导龙虾“如何用一系列工具完成具体任务”的操作指南，相当于“操作手册”，比如影像组学Skill，就是教龙虾用PyRadiomics、Python等工具，完成从影像读取到模型生成的完整流程。
4. Memory：龙虾的“失忆症”与“日记本”
问题： 语言模型有严重失忆症，每次对话都是重启。龙虾怎么记住长期的事情？
机制：语言模型就像电影《我的失忆女友》里的女主角，每天醒来（每次对话）都一片空白。怎么办？写日记。
System Prompt里就有指令： “你每次醒来记忆都会被清空。为了永久记住事情，你必须把它们写下来。重要的决定写入
memory.md，每日事件写入memory文件夹的日期日记里。”写记忆： 当你告诉它“我的名字叫欣欣”，如果它觉得重要，它会自己调用
write工具，打开memory.md，把这行字加进去。读记忆： 下次你再问它“我生日是什么时候”，System Prompt里告诉它：“如果问题跟过去有关，就用
memory.search工具。”它会调用搜索工具，去memory.md里检索包含“生日”的段落，然后读出来，假装自己记得。
核心概念：
RAG（检索增强生成）： 所谓的记忆，其实就是关键词搜索 + 向量相似度搜索，把相关的历史记录片段找出来贴到Prompt里。
硬伤： 这种记忆并不可靠。如果搜索算法没找对段落，它就会开始瞎编。而且，如果它只是口头答应我记住了，但没有真正执行
write工具去改.md文件，那就是记了个寂寞。
例如：你的实习生每天写工作日志（日记）和实验记录本（memory.md）。下次你问他“上次那个影像组学实验的流程是什么？”，他需要去翻实验记录本（检索RAG），翻到了就告诉你，翻不到就瞎编一个。
5. SubAgent：层层外包与上下文窗口管理
问题： 如果一个任务太复杂（比如“比较A和B两篇论文的方法”），对话会变得巨长无比，很快会撑爆上下文窗口。怎么办？
机制：
繁殖： 语言模型可以使用一个特殊工具叫
Spawn（繁殖）。它会告诉龙虾：“给我繁殖出两个子龙虾（SubAgent）。一个去读论文A并摘要，另一个去读论文B并摘要。”独立干活： 这两个小龙虾会各自去跟语言模型来回沟通，做网络搜索、下载PDF、阅读全文……经过几十轮互动，最终各自得到一个摘要。
结果汇报： 小龙虾把摘要丢回给大龙虾。大龙虾把两个摘要贴进对话里，然后语言模型根据这两个摘要进行比较。
核心概念：
为什么这么干？——上下文窗口管理。
如果不繁殖： 大龙虾的上下文窗口里会塞满“搜索网页A”、“下载文件B”、“阅读第1页”、“阅读第2页”……无数垃圾信息，导致它无法聚焦于“比较”这个核心任务。
如果繁殖： 大龙虾的窗口里只有最后两个摘要。那些繁琐的过程都发生在小龙虾的上下文窗口里，跟大龙虾无关。这就像主任医师只看病理报告的结论，不看显微镜下的每一个细胞。
主任（大龙虾）让你（大龙虾）写一篇Meta分析。你把这个任务外包给两个研究生（SubAgent）：“小王，你搜PubMed数据库；小李，你搜Embase数据库。”他们搜完把文献列表给你，你汇总后再写文章。你的脑子（上下文窗口）里不用记他们是怎么搜关键词的，只用记最后的文献列表。
第三部分：实战应用与风险防范
1. 科研场景应用
1-1文献综述与知识梳理
让主 Agent（大龙虾）下达任务：“整理 XX 肿瘤放疗研究进展”。 自动 Spawn 多个SubAgent，分别检索 PubMed、Web of Science、CNKI 等数据库。 各子 Agent 独立完成文献筛选、摘要提取、关键信息汇总。 最后由大龙虾整合所有结果，自动生成综述大纲、思维导图、研究热点清单。
1-2 生信数据分析自动化
直接交给龙虾：“对这份基因表达矩阵做差异分析、富集分析、生存分析”。 OpenClaw 自动调用R/Python 工具运行分析脚本。 若代码报错，龙虾会读取报错信息，自动交给 LLM 修正代码，重新运行，直到成功。 支持CronJob 定时任务：遇到耗时分析，可设置等待后自动检查结果、继续后续步骤，无需人工值守。
1-3 影像组学 / 放疗影像自动化分析
下达指令：“对这批 CT 影像做放疗靶区提取与组学建模”。 龙虾按照影像组学 Skill（SOP） 全自动执行： 读取 DICOM 影像 靶区 / 器官分割 提取组学特征 特征筛选（LASSO） 构建放疗疗效预测模型 输出 ROC、DCA、校准曲线 全程自动处理、自动纠错、自动出图，无需人工分步操作。
2. 致命风险与防御（AI删邮件事件案例）
事件： 一个研究员让OpenClaw整理邮件，并叮嘱“删除前要经过我同意”。结果龙虾开始疯狂删邮件，无视阻止命令，最后只能拔电源。解剖原因：
指令丢失： 对话长了之后，触发了上下文压缩机制。旧的对话被摘要了，那句要经过我同意在摘要过程中丢失了。模型不记得有这个指令。
核心教训： 关键的、必须遵守的指令，不能只放在对话里。必须确保它被写进了
memory.md。因为memory.md每次都会出现在System Prompt里（属于不被压缩的核心区），模型永远能看到。
结语
初代AI Agent，其实很像刚进入实验室的研究生。充满热情，能24小时干活，但经验不足，容易犯错，偶尔还会搞出大新闻。
优点很明显，不知疲倦，可以24小时工作。
但缺点也很明显，经验不足，容易理解错任务。
未来的科研很可能会变成一种新的模式：
医生提出问题，AI Agent执行分析，医生解释结果。
很多数据处理、代码运行、文献整理，都可能由这些数字科研助理完成。
问题不是AI会不会参与科研。
而是谁会先学会怎么用它。