AI-Researcher：从文献综述到论文写作，如何搭建 AI Agent 科研工作流？

温馨提示若页面不能正常显示数学公式和代码请阅读原文获得更好的阅读体验。作者雷诺 (新加坡国立大学)邮箱leinuou.nus.edu来源Tang, J., Xia, L., Li, Z., Huang, C. (2025).AI-Researcher: Autonomous Scientific Innovation. arXiv:2505.18705. Link, PDF, GitHub。Title: AI-Researcher从文献综述到论文写作如何搭建 AI Agent 科研工作流Keywords: AI-Agent, 科研自动化, Scientist-Bench, Literature Review, AI 数字人AI 已经能帮我们读文献、写代码、整理回归表、修改论文甚至生成论文初稿。但真正的问题并不是「AI 会不会写论文」而是我们能否把 AI 组织进一套可复用、可检查、可迭代的科研工作流。AI-Researcher 的价值正在于它把科研任务拆解为多个 Agent 分工协作让 AI 从「会聊天的助手」逐步走向「可监督的科研团队」。1. 为什么需要 AI-Researcher过去两年很多研究者已经开始把 AI 用进科研流程让它读文献、总结理论、写代码、修改摘要、整理表格甚至起草论文。可是当我们真的尝试把一个完整研究项目交给 AI 时很快会发现AI 很强但并不稳定。问题不只是 AI 会写错更在于它往往不知道研究中的关键约束在哪里。例如在经管类实证研究中AI 可能不知道数据口径有什么限制变量为什么不能直接比较某种识别策略在什么条件下才成立机制分析是否只是停在表层稳健性检验是否真的缓解了内生性担忧一篇论文到底应该强调理论机制、识别策略还是新的经验事实。所以AI 很容易写出一篇「像论文」的文本却未必真正贴合研究问题、数据条件和识别边界。这也是为什么很多人已经大量使用 AI 辅助研究却仍然不敢把研究从头到尾完全交给 AI。AI 可以很快给出答案但如果没有结构化的任务分工、输入约束和评价机制它也很容易从助手变成一个自信的幻觉制造器。Tang 等 (2025) 的AI-Researcher: Autonomous Scientific Innovation提供了一个有启发性的回答AI-Researcher 并不只是让大模型「帮忙写论文」而是尝试搭建一个端到端的科研自动化系统让多个 Agent 从文献综述、研究想法生成、算法设计、代码实现、实验验证一直到论文写作完成一套相对完整的科研流程。论文摘要明确将其定位为一个覆盖 literature review、hypothesis generation、algorithm implementation 和 publication-ready manuscript preparation 的自主科研系统并提出 Scientist-Bench 用于评价自动科研系统的研究质量。这个设想听起来很激进。但它真正有价值的地方不是宣称「AI 可以替代研究者」而是提醒我们未来更重要的能力可能不是会不会问 AI 一个问题而是能不能把 AI 组织进一套可复用、可检查、可迭代的科研工作流。2. AI-Researcher 的核心思路不是聊天框而是科研团队AI-Researcher 要解决的不是「让 AI 多写几段文字」而是两个更根本的问题如何让 Agent 串起完整科研流程如何评价 Agent 生成的研究成果。传统科研面对的是一个开放、复杂、回报高度不确定的方案空间。研究者不仅要提出假说还要不断把实验结果、理论逻辑和已有文献放在一起判断哪些方向值得继续推进哪些路径应该及时放弃意外结果是否意味着要调整假说这些都需要较强的元认知能力。现有 AI 工具通常只能处理科研流程中的某个局部环节。例如它可以做文献分析可以辅助实验设计也可以润色论文但很难从假说生成一直串到可发表质量的论文写作。更重要的是过去也缺少一个标准化 benchmark用来评价「自主科研系统」到底做得好不好。AI-Researcher 的核心做法是把科研任务拆成多个 Agent 和模块协作完成。论文将 AI-Researcher 概括为三个阶段Literature Review and Idea Generation、New Algorithm Design, Implementation and Validation以及 Automated Scientific Documentation。具体来说它大体包括以下几个部分Resource Analyst Agent负责收集、筛选和分析文献、代码、数据集等研究资源Idea Generator在已有资源基础上提出候选研究方向并比较不同想法的潜在价值与风险Implementation Framework把研究想法转化为具体方法、代码实现、实验验证和迭代改进Documentation Agent把研究动机、方法、实验结果和结论组织成论文文稿Evaluation Agent从创新性、理论基础、实验充分性、结果分析和写作质量等方面反馈前面的环节。换句话说它不是在模拟一个「会聊天的学者」而是在模拟一个「会分工的科研团队」。这张图可以概括 AI-Researcher 的基本逻辑先由 Resource Analyst 整理研究资源并拆解问题再由 Idea Generator 提出方向Implementation Framework 完成设计、实现和验证最后由 Documentation Agent 汇总成论文并通过 Evaluation Agent 把反馈传回前面的环节。这里有三个设计理念值得注意。第一先拆解再生成。Resource Analyst Agent 会把复杂研究概念拆成更小的组成部分并尝试建立理论表述、公式和代码实现之间的对应关系。这样做的好处是减少幻觉AI 不只是「理解一个概念」还要说明这个概念如何落到具体实现。第二边实现边验证。Implementation Framework 采用类似「导师-学生」的迭代反馈机制。不同 Agent 不是一次性给出答案而是在设计、实现、验证和修改之间循环推进。它更像一个小型研究组有人提出方案有人执行有人检查结果再根据反馈继续调整。第三最后写作而不是一开始就写作。Documentation Agent 的作用不是简单润色而是把前面产生的研究想法、代码、实验结果和讨论整合成论文文稿。这里的难点不是把结果拼起来而是保持跨文档一致性和事实准确性避免写作阶段把前面做过的事情说错、说过头或说散。温馨提示若页面不能正常显示数学公式和代码请阅读原文获得更好的阅读体验。