别再说"端到端科研Agent"了，这篇综述给所有Vibe Research划了等级

最近翻arXiv翻到一篇挺有意思的综述——《AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery》。挂的是华科、Lehigh、清华、斯坦福、UCSD、微软、Salesforce等一长串机构的名字，作者列表里既有Caiming Xiong、Jianfeng Gao这种工业界大佬，也有Philip S. Yu、Pengtao Xie这种学术圈的老熟人。

这种"豪华阵容综述"其实很挑读者——写得好就是地图，写不好就是大杂烩。笔者花了一下午把全文翻完，发现这篇还真做了件挺有价值的事：它没有把"AI能不能做科研"当成一个yes/no问题来回答，而是直接给了一把尺子——L0到L4的五级自主度框架。这个框架的好处是，下次再有人说"我的Agent能做端到端科研"，你可以直接拿这把尺子量一量，到底是L2-P，还是真的摸到了L3的边。

这篇笔者主要带大家把研究背景和相关工作这两块捋一遍。后面的技术分解、评估体系、领域分析其实更精彩，但内容太多，留着以后再聊。

一、从AlphaFold到The AI Scientist：科研范式悄悄换了

要理解这篇综述为什么要写，得先看看AI做科研这件事到底经历了什么。

早些年AI for Science这个领域，基本是"专用模型打专用问题"的玩法。蛋白质结构预测就训一个AlphaFold，分子性质预测就训一个图神经网络，科学图像分析就上CNN——每个系统都死磕一个边界清晰的子问题。AlphaFold之所以是这一代的代表作，恰恰是因为它把"蛋白质结构预测"这个高度专门化的任务干到了极致，但它本质上还是在一个相对窄的问题设定里工作。

转折点出现在大语言模型起来之后。能力前沿从"窄域预测+检索"挪到了语言理解、推理、检索增强、工具使用、代码生成、多步执行这一整套通用能力上。这件事的关键不在于模型变强了多少，而在于AI能参与科研流程的广度突然被打开了——文献调研、想法生成、计划制定、代码执行、结果分析、论文撰写，原本散落在科研流程各处的环节，第一次有可能被同一个系统串起来。

The AI Scientist就是这个转折的标志性产物。它不再瞄准某一个科研子任务，而是直接尝试把ideation、写代码、跑实验、画图、写论文、模拟评审拼到一个pipeline里。后来的AI Scientist-v2、Agent Laboratory、AI-Researcher、ARIS、NanoResearch都在沿着这条路往前推。

但这里就出现了一个非常容易被混淆的问题：**"流程被打通了"不等于"科研自主了"**。

这是这篇综述反复强调的一个判断：现在的系统在搜索、起草、写代码、跑bounded execution上确实越来越能打，但在validation（验证）、rejection（拒绝弱方向）、reproducibility（可复现）、exception handling（异常处理）、accountable closure（可问责的科学收尾）这些环节上还差得远。一个能写出像模像样论文的Agent，不代表它写的论文站得住脚。

二、L0到L4：把"AI自主科研"切成五段

为了不让大家陷在"能 vs 不能"的二元争论里，作者直接搬出了一个五级自主度框架。这个框架的核心思路是：沿着workflow控制权、任务执行权、验证权、科学问责权这四个维度，看人和AI是怎么分工的。

笔者用大白话把这五级给大家翻译一下：

L0 — Human Only：纯人工，AI完全不参与科研环节。这是历史基线，对应的就是Popper、Kuhn、Merton那套人类主导的科学实践，所有判断、验证、问责都在人这边。

L1 — Human-Led, AI-Assisted：人主导，AI辅助。这是目前大部分研究者每天都在做的事——用ChatGPT、Claude、Gemini帮忙搜文献、改语法、写draft、brainstorm。但workflow的组织、关键判断、最终责任全在人手里。这一级的代表是LitLLM、STORM、OpenScholar、PaperQA2、GPT Researcher这类系统。

L2 — Human-Verified, AI-Executed：AI干活，人验收。这是当前最热闹也最复杂的一级。AI开始真正承担执行性的工作——读写文件、生成修改代码、调用工具、跑分析——但科学有效性、新颖性、可复现性、可用性的最终判断还在人这边。代表系统多得吓人：OpenHands、Aider、SWE-agent是执行底座；AI co-scientist、FreePhD是协作型；The AI Scientist、AI Scientist-v2、Agent Laboratory是pipeline型。

L3 — AI-Led, Human-Assisted：AI主导，人辅助。这一级最容易被滥用。作者特意强调：pipeline能跑通≠到了L3。L3的硬指标是"AI能在没有日常人工逐步验证的情况下，跨多个阶段维持科学上可信的进展"。换句话说，L2-P的pipeline系统再花哨，只要每一步还得让人盯着、还得让人最后拍板，就还在L2里。当前文献里说自己到了L3的，作者基本都给打回L2-P了。

L4 — AI-Autonomous：AI完全自主。这是个aspirational horizon（理想化的远期目标），不是已经实现的状态。需要AI能自己提问题、自己定方向、自己跑研究、自己验证、自己拒掉弱方向、自己保存provenance、自己按领域标准沟通成果。作者直说了：目前没有任何系统真到了L4，benchmark里测的也只是"离L4还差多远"。

这个框架的精妙之处在于，它把"Vibe Research"和"AutoResearch"做了一个非常清晰的切分：L1-L2是Vibe Research（人在驾驶座上，AI是副驾），L3-L4才是真正的AutoResearch（AI在驾驶座上）。这个命名笔者觉得相当传神——Vibe这个词本身就有点"靠感觉，靠协作"的意思，跟当前科研Agent的实际工作方式非常贴。

三、贡献：一个框架，一个分类，一套评估维度

作者把自己的贡献归纳成三块：

第一是给AutoResearch一个workflow-level的概念框架。不再用model family、agent架构、benchmark分数来分类，而是看"AI在科研workflow里到底分担了多少control、execution、validation、accountability"。这个视角的好处是能避免一个特别常见的误判——把"pipeline覆盖广"当成"自主度高"。

第二是按五个workflow条件做技术分类。文献grounding、假设形成与规划、实验与工具使用、反馈/验证/评审、报告与知识沟通——这五个阶段下面，作者把现有系统都摆了进去。这部分笔者后面再单独写，信息量太大。

第三是提出一套评估维度：novelty（新颖性）、validity（有效性）、impact（影响力）、reliability（可靠性）、provenance（可溯源性）。这五个维度的核心思路是把"评估"从"任务完成度"切换到"科学可信度"上。一个Agent能跑通流程，不代表它的产出有科学价值。

四、AutoResearch的发展史：从机器人科学家到Kosmos

综述里有一张时间线图，把从2021年前到2026年的代表性工作全摆了出来。笔者觉得这张图比文字描述更直观，强烈建议大家自己去看原文。

下面笔者按时间顺序梳理一下关键节点。

4.1 史前时代：人类科研baseline与早期自动化探索

在LLM起来之前，AI做科研基本是科幻。Popper的证伪主义、Kuhn的范式革命、Merton的科学社会学，描述的都是人类主导的科学实践。战后科学传播规模变大了，但科学的"收尾权"始终在人和学术共同体手里。

早期的几个标志性工作值得记一下：

• Robot Scientist Adam（2004）：King等人在Nature上发的那篇，第一次把假设生成、实验设计、机器人执行整合到一起，做的是酵母功能基因组学的研究。这是"自动化科学"这个概念的实物起点。
• AI Feynman（2020）：从数据里恢复物理方程的符号回归方法。证明了在结构化场景下，AI可以做出某种意义上的"科学发现"。

这些工作虽然成就很高，但都局限在"结构化、可表达"的科学子问题里。

4.2 L1层：知识工作的自动化（2023起步，2024-2025爆发）

LLM起来之后，第一波能稳定落地的就是文献相关的知识工作辅助。

2023年BioPlanner和LitLLM是早期的代表，前者做生物学实验协议规划，后者从abstract出发检索论文并生成related work。

2024年这一层彻底爆发：

• Research Agent：自动提出研究问题、方法、实验设计，并在文献基础上迭代
• STORM：检索+多视角问题驱动的长文生成（注意它本质是writing系统，不是execution agent）
• OpenScholar：从大规模文献库里找相关段落，做citation-backed synthesis
• PaperQA2：基于论文的问答和综合
• SciSage、HypER：综述生成、文献驱动假设生成

2025-2026年这一层进一步深化：Deep Research Arena、GPT Researcher、Tongyi Researcher、Open Researcher、DeerFlow把"deep research"做成了标配能力。同时还出现了几篇field-framing的工作——比如Auto Research Vision、Transforming Science with LLMs——开始尝试给这个领域写"愿景"。

笔者的观察是，L1这一层的工具其实已经渗透到了大量科研工作者的日常里。Perplexity、NotebookLM、ChatGPT/Claude/Gemini的deep research模式，本质上都是L1级的东西。它们提升了科研的"信息吞吐效率"，但没有改变"谁来做判断"。

4.3 L2-S：单步自动化执行（2023开始）

下一个转折点是AI从"帮人想"变成"帮人做"。

• Coscientist（2023）：把LLM跟搜索、代码执行、实验自动化系统连起来，做化学合成。这是Daniil Boiko和Gabe Gomes发在Nature上的工作，挺标志性。
• A-Lab（2023）：MRS的工作，自主无机材料合成的实物loop——计算、文献知识、主动学习、机器人执行，全套打通。

2024年这一层进一步扩展：CycleResearcher做planning-revision循环、MLR-Copilot和RD Agent做ML研究辅助、AIGS做AI驱动的科学生成、Virtual Lab做虚拟实验环境。

这一层的特点是：任务边界清楚，AI执行单步操作，外部验证仍然必要。

4.4 L2-I：交互式工作流自动化

第二种L2模式是"AI在多步workflow里维持进展，但需要人来steering或accept"。

代表性工作：

• SciAgents：多智能体科学推理，基于本体知识图和图推理做跨学科假设生成
• AI co-scientist：Google的工作，最近发了Nature。多智能体协同假设生成、协作科学推理
• FreePhD：个性化研究组的多agent框架
• AgentRxiv：协作式自主研究
• Robin：lab-in-the-loop的多agent发现工作流
• SciSciGPT、HLER：扩展到科学计量学、经济学方向

这里有个细节值得说一下——Co-scientist 2026年发在Nature上的那篇正式版（注意和"AI co-scientist"工作paper的区别），把"多agent协同+文献grounded假设生成"做了一个非常完整的工程化呈现。这件事对整个领域有标杆意义，因为它意味着主流期刊开始正面承认AI参与科学发现的合法性。

4.5 L2-P：流水线自动化（人工验证下）

这是目前最热闹、也最容易被overclaim的一层。

代表性系统：

• The AI Scientist（2024）：Sakana AI的工作，把ideation→code→experiment→figure→paper draft→simulated review整合成一个端到端框架。开创性意义大。
• AI Scientist-v2（2025）：用agentic tree search做更长horizon的scientific search
• Agent Laboratory：用户给idea，AI做完整研究pipeline
• AlphaEvolve：DeepMind的工作，coding agent做科学和算法发现，evaluator反馈驱动迭代
• DeepScientist：长horizon的iterative discovery
• CodeScientist：code-centric的实验pipeline
• Idea2Paper、OmniScientist：从idea到paper的多agent生态
• AI-Researcher、InternAgent、Kosmos：进一步强化agentic search、experiment management、persistent state

2026年的趋势是从"研究agent demo"转向"可复用基础设施"——NanoResearch、ResearchClaw、ScienceClaw、AutoResearchClaw、ARIS、EvoScientist、NeuroClaw这一批，开始把可复用workspace、tool orchestration、persistent project state做成infrastructure。

还有最近的两个工作值得单独提：

ERA（Empirical Research Assistance）：用LLM-guided tree search做expert-level empirical scientific software的生成，强调implementation才是computational research的关键瓶颈。

Robin：通过把假设生成、实验分析、文献引导的workflow refinement放在semi-autonomous loop里做迭代，把AutoResearch往真正的"科学发现pipeline"推。

但作者反复提醒：这些系统再花哨，只要还需要人来判断hypothesis是否有意义、experiment是否valid、result是否reproducible、manuscript是否scientifically usable，它们就还在L2-P，没到L3。这种"保守归类"是这篇综述最值得学的地方。

4.6 L3-L4：benchmark测出来的"地平线"

最后一层不是已经populated的系统类别，而是evaluation的前沿。作者非常坦诚地说：目前没有任何系统是mature L3，更别说L4了。但已经有一批benchmark在测"离L3/L4还差多远"：

• How Far Are AI Scientists from Changing the World? ：直接把"系统野心 vs 实际科学影响"的gap摆到台面上
• ResearchBench：把科学发现拆成可分解的benchmark问题
• AIRS-Bench：测frontier research agent
• FIRE-Bench：测full-cycle rediscovery任务

这一层的意义在于，整个领域不再只被"越来越强的系统"定义，也开始被"越来越严格的测试"定义。

五、当代landscape：分工而非统一架构

读完整个发展史，再回过头看现在的landscape，会发现一个挺有意思的结构——当前的AutoResearch领域不是被某个canonical架构统治，而是由功能分工组成的。

作者把这个分工归纳成几层：

知识支持层：稳定文献grounding、source-grounded synthesis、QA、planning、report construction。STORM、OpenScholar是典型。

执行底座层：code agent、tool use、laboratory interface、controlled environment、software-agent execution。OpenHands、Aider、SWE-agent是典型。

Pipeline协同层：把上面两层连起来，跨越ideation、implementation、experimentation、analysis、paper generation、review feedback。The AI Scientist、AI Scientist-v2、AI-Researcher、Agent Laboratory是典型。

开源基础设施层：软件agent执行环境、tool orchestration、persistent workspace、可复用研究环境。NanoResearch、ResearchClaw、AutoResearchClaw这些都是2026年才冒出来的新东西。

笔者特别想强调的一个判断是：当前的领域演进，是这四层在共同maturation，而不是某一层在单独突破。哪一层短板太严重，整个workflow就跑不通。

六、笔者的一些想法

这篇综述读下来，笔者最大的几个感受：

第一， "五级自主度"这把尺子有点用 。它不是完美的，但至少能挡住很多"我做了一个能做端到端科研的Agent"这种营销话术。下次看到这类宣传，先问一句：在哪个level？还需不需要人routine verification？

第二，Vibe Research这个命名很妙。它直接承认了"目前大部分所谓的科研Agent其实是辅助工具"这个事实，没有强行往L3拔。这种学术上的诚实在AI领域已经很难得了。

第三，领域间的不均衡是真实的。综述里明确指出，computational/formal sciences走得最快是因为artifact本身就是digital、executable、replayable的。化学/材料慢一些但有robotic lab；生物/医学/社科再慢，因为embodiment、ethical constraint、causal reasoning的难度根本不是"加大模型"能解决的。这个判断很重要——**不要拿coding agent的进展去推断"AI能做全科学的端到端研究"**。

第四，benchmark在反向定义这个领域。FIRE-Bench、AIRS-Bench、PaperBench、ResearcherBench这些近期出的benchmark，本质上都在做一件事——用更严格的测试逼出系统的真实能力。这件事和系统侧的进展同样重要。

最后留个尾巴：综述后面还有大量内容笔者今天没碰——技术分解的五个workflow stage、五个评估维度的细节、八个领域（计算/物理/embodied/化学/生物/医学/社科/地球科学）的autonomy ceiling分析。这些其实是这篇综述真正硬核的部分，笔者打算之后单独再写一篇。

感兴趣的朋友建议直接读原文，arXiv编号是2605.23204v1，52页正文+几百篇reference，作者团队的工作量是真的扎实。

>/ 作者：ChallengeHub小编