夜雨聆风很多人已经在科研中使用 AI，但使用方式通常集中在最后一公里：翻译论文、润色摘要、改写一段 Related Work。
这些当然有用，却也是 AI Agent 最浅的一层用法。
科研真正费时间的地方，分散在整条链路上：问题怎样收敛，文献怎样查全，观点能否追溯到原文，实验是否可复现，图表是否来自真实数据，结论有没有超出证据，以及审稿人会从哪里击穿这篇论文。
这不是一次问答，而是一个会持续几周、几个月甚至几年的项目。
核心公式是：
Agent = LLM + 上下文 + 工具
把它放进科研，我们可以再补上一项：
科研 Agent = 推理模型 + 证据上下文 + 科研工具 + 独立验证
这里最重要的变化是：不再让 AI 直接“帮我写一篇论文”，而是让它维护一条从问题到结论的证据链。
01科研任务，分别放进公式的哪里？
科研工作不是一个超长提示词，而是一套分工明确的系统。
LLM 负责开放判断
模型适合处理没有唯一答案、需要综合判断的工作：
• 把模糊想法拆成可研究的问题； • 设计检索词和文献搜索路径； • 比较不同方法的假设与适用边界； • 提出实验方案、消融变量和潜在混杂因素； • 解释异常结果，生成下一轮待验证假设； • 把已经确认的证据组织成论文结构。
但模型不是事实数据库，也不是实验仪器。
它可以提出“可能是什么”，不能凭自己的语言流畅度把“可能”升级成“已经证明”。
上下文负责保存研究状态
科研 Agent 每一步需要看到的信息，远不止聊天记录。
它至少包括：
• 研究问题、范围与排除项； • 已确认和待验证的假设； • 文献检索记录与证据矩阵； • 数据字典、样本划分和伦理约束； • 代码、配置、运行日志与失败记录； • 图表、统计结果和结论边界； • 目标期刊或会议的格式要求； • 当前进度、未决问题和下一步动作。
这正是“上下文工程”对科研最直接的启发：不要把几十篇 PDF 和全部对话一次塞给模型，而要区分常驻概览与按需细节。
研究目标、关键约束和当前状态应该常驻；论文原文、实验日志和历史讨论则通过检索按需进入上下文。
工具负责接触真实世界
一个科研 Agent 真正有用，必须能调用产生证据的工具，而不是只在文本里推演。
典型工具包括：
• 学术搜索、DOI 与出版信息核验； • PDF 解析、表格提取和图像读取； • 文件系统、Git 与项目环境管理； • Python、R、MATLAB 或领域仿真软件； • 数据库查询、统计检验与可视化； • 引用管理、LaTeX、Word 和幻灯片生成； • 单元测试、结果对比和图表渲染检查。
模型负责决定何时使用这些工具，工具负责返回真实结果。
验证负责阻止“看起来正确”
科研中最危险的不是 AI 明确报错，而是它给出一份结构完整、语气自信、细节却无法追溯的结果。
因此，验证必须独立存在：
• 引用是否真实，DOI、作者、年份是否匹配； • 一句话是否真的得到所引论文支持； • 实验是否真实执行，而不是模型描述了一次执行； • 图表是否来自对应数据和脚本； • 指标、样本量、置信区间和统计检验是否一致； • 结论是否超过实验支持范围； • 换随机种子或环境后能否复现。
科研 Agent 不能因为“回答写完了”就宣布任务完成。它必须拿出可以检查的交付物。
02先搭一个 Artifact 工作区
科研任务一旦超过一次对话，就不应该只存在聊天窗口里。
可以先建立一个最小工作区：
research-workspace/├── README.md├── brief.md├── hypotheses.md├── decisions.md├── literature/│ ├── search-log.md│ ├── evidence-matrix.csv│ └── papers/├── data/│ ├── README.md│ ├── raw/│ └── processed/├── experiments/│ ├── plan.md│ ├── environment.md│ ├── code/│ ├── configs/│ └── runs/├── figures/├── manuscript/├── review/└── run-report.md这里每个文件都不是装饰，而是 Agent 与研究者之间的契约。
brief.md 固定研究问题、范围和成功标准；decisions.md 保存每次人工确认及理由；evidence-matrix.csv 保存每项主张对应的来源和证据强度；data/raw/ 只保存不可静默修改的原始数据；runs/ 保存真实运行产物；run-report.md 记录做过什么、失败在哪里、下一步是什么。
可直接复制的工作区初始化指令
下面这段可以直接交给 Codex、Claude Code、Cursor Agent，或任何具备本地文件读写能力的 Coding Agent。只需先替换四个参数；如果暂时不确定，也可以保留 【待填写】，让 Agent 先提问。
你是一名“科研工作区初始化 Agent”。请实际创建工作区，不要只给建议。【项目参数】工作区路径：research-workspace研究主题：【待填写】研究领域：【待填写】预期成果：【论文/报告/软件/数据集】【本轮目标】创建一个可恢复、可审计、可复现的科研工作区。本轮只初始化文件和规则，不检索文献，不运行正式实验，不撰写论文结论。【执行原则】1. 先检查目标路径和已有文件。2. 保留已有内容，不静默覆盖。3. 缺失信息统一写：“【待确认】”。4. 不虚构引用、数据或实验结果。5. data/raw 中的原始数据只读。6. 所有重要决定写入：decisions.md。7. 所有实际操作写入：run-report.md。8. 遇到权限、伦理或路径冲突时停止。【必须创建的结构】research-workspace/├── README.md├── brief.md├── hypotheses.md├── decisions.md├── literature/│ ├── search-log.md│ ├── evidence-matrix.csv│ └── papers/├── data/│ ├── README.md│ ├── raw/│ └── processed/├── experiments/│ ├── plan.md│ ├── environment.md│ ├── code/│ ├── configs/│ └── runs/├── figures/├── manuscript/├── review/└── run-report.md【文件契约】README.md 必须包含：- 项目标题与一句话目标- 当前状态 初始化/调研/实验/写作/审查- 目录索引和每个目录的用途- 当前人工确认点- 下一步动作brief.md 必须包含：- 研究背景与问题- 研究问题 RQ1、RQ2……- 可证伪假设- 研究范围与排除项- 数据来源、权限与伦理要求- Baseline、主要指标和消融变量- 算力、时间与成本约束- 预期交付物和验收标准- 已知风险、未决问题- “研究者确认”区域hypotheses.md 使用表格。字段为：- ID、假设、理论依据- 可证伪条件、所需证据- 对应实验、当前状态decisions.md 使用追加记录。字段为：- 时间、决定、备选方案- 选择理由、确认人、影响范围literature/search-log.md：逐次记录：- 数据库、检索式、日期- 过滤条件、结果数- 纳入数、排除理由、备注evidence-matrix.csv：将下列字段连接成一行表头，字段之间使用英文逗号：claim_id,claim_text,source_type,title,authors,year,doi_or_url,evidence_location,supporting_excerpt,support_level,limitations,verification_status,notes不要填入任何虚构论文。data/README.md 必须记录：- 数据来源、许可证和访问权限- 数据字典、样本单位和时间范围- 纳排规则、缺失值和异常值约定- raw 到 processed 的处理链路- 训练/验证/测试划分与泄漏风险experiments/plan.md 必须包含：- 实验问题和成功标准- 数据版本与划分策略- Baseline、变量、消融和对照- 指标、统计检验和置信区间- 随机种子、重复次数- 预计命令、输入和输出- 失败判据、停止条件- 正式运行前的人工确认区experiments/environment.md：必须记录：- 操作系统、语言和运行时版本- 依赖及锁定方式- 硬件、模型和外部服务- 环境变量名，不写入密钥值- 安装、运行和复现命令run-report.md 使用追加记录。字段为：- 时间、阶段、执行者- 实际动作或命令- 输入、输出路径- 结果、异常、失败原因- 下一步和待确认事项空目录中不得放置伪造数据或结果。如需让 Git 保留空目录，只创建说明用途的 README.md。【初始化顺序】1. 解析并确认工作区绝对路径。2. 列出现有内容和潜在冲突。3. 创建缺失目录。4. 按文件契约写入初始模板。5. 将未知项标为“【待确认】”。6. 检查所有路径和 CSV 表头。7. 在 run-report.md记录本次初始化。【完成时必须输出】- 工作区绝对路径- 最终目录树- 新建、复用和未修改的文件- 仍需研究者回答的问题- 下一道人类确认门完成初始化后立即停止。必须等待研究者确认 brief.md，才能开始文献检索或实验。这段指令故意把“初始化”和“开始研究”拆成两步。Agent 可以先把文件、模板和审计规则落盘，但不能趁机生成一批看似完整的假设、论文或实验结果。第一次运行结束后，研究者只需要重点检查 brief.md、data/README.md 和 experiments/plan.md 中的 【待确认】 项。
这样即使模型切换、上下文压缩或会话中断，研究状态也不会跟着消失。
其中 Harness 思想在科研里的落点：模型之外必须有一层可恢复、可审计的工程外壳。
03第一阶段：把想法变成研究简报
很多科研任务从一句模糊的话开始：
我想研究一种新的小样本故障诊断方法。
如果直接让 Agent 搜文献、写代码，它很快就会产生大量内容，但方向可能从第一步就偏了。
更稳的做法，是先让它生成 brief.md，至少回答：
1. 具体要解释、预测或比较什么？ 2. 核心假设是什么，什么结果会否定它？ 3. 研究对象、时间范围和场景边界是什么？ 4. 数据从哪里来，是否存在权限、隐私或泄漏风险？ 5. Baseline、主要指标和消融变量是什么？ 6. 算力、周期和可接受成本是多少？ 7. 最终交付物是论文、实验报告、数据集还是软件？
这一阶段适合让模型追问，而不是立即执行。
研究者确认 brief.md 后，Agent 才能进入文献和实验阶段。研究问题、主要假设和验收指标，是第一道人类确认门。
04第二阶段：从“搜到论文”升级为证据管理
普通 AI 搜索最容易制造一种错觉：回答里列了很多论文，就好像调研已经完成。
但科研需要的不是文献列表，而是可审查的证据结构。
其中 Agentic RAG 的思路很适合这里：先分解问题，进行第一轮搜索；阅读结果后识别缺口，再构造第二轮更精确的查询；直到证据覆盖研究问题，而不是搜索接口返回了十篇文章就停止。
建议让 Agent 先填证据矩阵，不急着写综述：
这样做有三个好处。
第一，Agent 无法只靠摘要“脑补”整篇论文；缺少原文支持的字段会直接暴露出来。
第二，写作时可以从主张反查证据，不必让模型凭记忆自动配引用。
第三，当两篇论文结论冲突时，系统可以继续比较样本、方法和场景，而不是随便选一个更顺眼的结论。
chapter3/retrieval-pipeline、agentic-rag 和 contextual-retrieval 可以分别提供混合检索、主动迭代搜索和保留分块背景的实现思路。
但有一条底线：任何引用在进入正文前，都要重新核对出版信息和原文语义。
05第三阶段：让 Coding Agent 管实验，不替实验
代码是科研 Agent 最重要的工具之一，因为它可以把想法变成可运行、可重复、可检查的过程。
例如比较一种新算法能否提升小样本故障诊断性能，Agent 可以协助完成：
• 数据质量审计与类别分布检查； • 训练、验证、测试划分和数据泄漏检查； • Baseline 与候选方法的统一接口； • 配置文件、随机种子和环境锁定； • 批量实验、日志采集与失败重试； • 指标汇总、显著性检验和消融实验； • 从原始结果生成表格与图形。
但“Agent 写出了训练脚本”和“实验结果可信”是两回事。
每次正式运行至少要留下：
• 代码版本或提交哈希； • 数据版本与划分清单； • 环境和依赖版本； • 完整配置与随机种子； • 实际执行命令； • 标准输出、错误日志和原始结果； • 生成图表所用的脚本。
这就是 artifact 模式：不要让模型在对话里搬运大量数据，也不要接受它口头转述结果。让数据、代码、配置和日志落盘，模型只读取必要摘要，最终结论可以一路追溯回真实运行。
昂贵实验、修改原始数据、使用受限数据或操作真实设备之前，还应设置第二道人类确认门。
06第四阶段：图表必须能回到数据
AI 很擅长把图做得“像论文”，这也让科研配图成为高风险环节。
一张合格图表至少要回答四个问题：
1. 它对应哪份原始或处理后数据？ 2. 它由哪个脚本和配置生成？ 3. 误差线、样本数、单位和统计口径是什么？ 4. 图中视觉结论是否与数值结果一致？
可以借用 paper-to-ppt 的 Proposer–Reviewer 机制。
Proposer 负责根据真实结果生成图表；系统把图真实渲染出来；Reviewer 再检查坐标轴、单位、图例、文字尺寸、颜色区分、误差线和结论一致性。不合格就修改脚本重新生成，而不是在图片上手工“修得更像”。
对科研来说，Reviewer 最重要的一句检查不是“好不好看”，而是：这张图有没有让读者看到数据并未支持的东西？
07第五阶段：论文只能从已验证证据生成
进入写作阶段后，Agent 的上下文不应该是“你知道的所有知识”，而应该是当前项目已经确认的材料：
• 审核过的研究简报； • 证据矩阵与已核真文献； • 实验计划、真实日志和结果表； • 可追溯的图表； • 目标期刊或会议的结构要求。
然后按章节生成，并给每个结论附上内部证据指针。
如果证据不足，不要自动补齐。可以明确留下：
[待证据]需要支持该比较结论的直接实验。[待核引]已找到相关论文，但尚未核对原文。[结论过界]当前结果只覆盖数据集 A，不能外推到真实工业场景。这些标记看起来不如一篇“完整初稿”漂亮，却比一段无依据的流畅文字安全得多。
接下来再用独立 Reviewer 做多轮检查：方法审查、统计审查、引用审查、复现性审查和目标期刊适配审查。
Reviewer 不应该只输出“优点、缺点、建议”，而要把每条问题映射到具体证据、文件和修改动作。
08Skills 和多 Agent 应该怎样组合？
科研流程很长，不适合把所有规则和工具永久塞进一个上下文。
更实用的方式，是把重复方法做成按需加载的 Skills：
• literature-search：检索式、纳排标准、证据矩阵和引用核验；• paper-reader：全文解析、图表定位、方法与局限提取；• experiment-runner：环境检查、运行清单、日志和复现记录；• data-analysis：统计检验、效应量、异常值与可视化；• paper-writing：按证据写摘要、方法、结果和讨论；• research-reviewer：从方法、统计、引用和复现性审查交付物。
这对应其中 agent-skills-ppt 的渐进式披露：Agent 启动时只知道有哪些能力，需要时才加载某个 Skill 的完整说明、参考资料和脚本。
多 Agent 则只在确实需要独立性或并行性时使用。
适合并行的任务包括：多个数据库分别检索、不同方法谱系独立调研、多组实验并发监控。
适合隔离的任务包括：让 Reviewer 不读取作者的自我解释，独立检查论文与证据；让统计审查者只依据数据和分析脚本复算结果。
不适合多 Agent 的，是把同一个模糊问题交给五个角色自由聊天。Agent 数量增加不会自动产生可靠性，只会增加上下文同步、结论冲突和成本。
一个稳妥结构是：
• 一个研究管理 Agent 只保存任务索引、状态和确认点； • 专项 Skill 或子 Agent 处理具体阶段； • 所有结果写入共享工作区，而不是只留在消息里； • 独立 Reviewer 检查产物，不替生成者补理由； • 研究者负责问题、取舍、解释和最终责任。
09怎样让系统越做越顺？
科研经验不能只留在一次对话里。
每轮任务结束后，可以让 Agent 从日志中提取两类记忆：
一类是项目事实，例如某数据集存在重复样本、某组参数导致训练不稳定。这些信息只属于当前项目，写入项目的 lessons.md 或数据说明。
另一类是可复用方法，例如“时间序列必须按时间切分，禁止随机打散”“所有性能图必须同时输出样本数和置信区间”。经过人工确认后，可以沉淀进对应 Skill。
这对应第八章的自我进化：把成功和失败轨迹提炼成外部知识，让 Agent 从“每次都重新想”变成“会复用已经验证的方法”。
但错误经验也会被放大。只有经过复现或人工确认的结论，才应该进入长期 Skill；一次偶然成功不能直接升级为通用规则。
10五道人类确认门不能交出去
科研 Agent 可以承担大量执行工作，但至少五类决定仍应由研究者确认：
1. 研究问题与假设：是否值得研究，什么结果具有科学意义。 2. 数据与伦理：数据是否有权使用，隐私、许可和伦理要求是否满足。 3. 实验设计：Baseline、样本划分、指标和统计方法是否合理。 4. 结果解释：相关性与因果、实验范围与外推边界是否被混淆。 5. 对外提交：作者身份、利益冲突、AI 使用披露和最终文本责任。
AI 可以提醒和检查，但不能替研究者承担学术判断与责任。
尤其要守住三条底线：不生成虚假引用，不编造实验数据，不为了让故事更漂亮而选择性隐藏失败结果。
11从一个最小闭环开始
不要第一天就造一个“全自动 AI 科学家”。
先选一个真实、边界清楚的小任务，例如：
比较三种方法在一个公开数据集上的表现，并生成可复现的实验报告。
给 Agent 的任务契约可以这样写：
目标：回答一个明确的比较问题。输入：- 研究简报、公开数据- 已核验文献和代码仓库允许工具：- 学术检索、文件读写- Python、Git、统计和制图必须产物：- 证据矩阵、实验计划- 代码、配置和真实日志- 结果表、图表和审查报告验收条件：- 结果可复跑- 每项结论可追溯- 所有失败与限制被记录禁止事项：- 虚构引用或编造数据- 静默修改原始数据- 绕过人工确认点人类确认：- 研究简报和正式实验- 结果解释和对外提交这个最小闭环跑通后，再逐步增加 PDF 解析、复杂检索、多组实验、论文写作和多 Agent 并行。
参考项目：https://github.com/bojieli/ai-agent-book
《深入理解 AI Agent》真正能带给科研的，不是又一个自动写论文工具。
它提供的是一套工程直觉：让模型负责开放推理，让上下文保存证据与状态，让工具产生真实结果，让验证决定任务是否完成。
当 AI 不再只是生成更多文字，而是帮助你减少不可追溯的步骤、保存失败经验、复现实验并提前暴露证据缺口，它才真正进入了科研流程。
科研的最终产物不只是一篇论文，而是一条任何人都能沿着走回去的证据链。
