dc-docs/output/feishu-docs/KlGYddZoOo2UD9xIEVgcNqQ3n5c.md

KlGYddZoOo2UD9xIEVgcNqQ3n5c

Source: https://fcnlycv6dd0w.feishu.cn/docx/KlGYddZoOo2UD9xIEVgcNqQ3n5c

一、工作内容概述

二、了解学术研究 Agent

近一年，学术 AI Agent 研究从单点辅助工具转向了“科研流程型 Agent”。主要覆盖文献检索、假设生成、代码实验、数据分析、图表生成、论文写作和自我评估等环节。

（一）科研协作者类 Agent

代表：SciSciGPT、Google AI co-scientist 强调在人类研究者主导下，AI 作为科研助手或协作者参与具体环节。主要帮助研究者完成文献理解、问题拆解、数据分析、结果解释和研究方案生成。

【SciSciGPT】

论文：SciSciGPT: advancing human–AI collaboration in the science of science 发表期刊 | 年份：Nature Computational Science（2025 年 12 月） 解决的问题：论文认为，现在科研越来越依赖大规模数据和复杂计算方法，但这会带来很高的技术门槛。研究者可能有研究问题，但需要自己完成数据库理解、数据清洗、SQL 查询、代码分析、可视化和结果检查，效率低、门槛高。 常规科研分析流程：文献检索 → 找数据 → 理解数据库结构 → 写 SQL / Python / R → 做统计分析 → 画图 → 检查结果 → 反复修改。

系统架构：5 大智能体协同

负责科学学领域文献检索、知识提取、综述生成与引用溯源的专业智能体，核心通过领域专属检索增强生成架构实现精准知识调用，降低大模型幻觉风险。 完整工作流程： - 根据用户的研究问题，生成规范的检索问题 - LLM 自动识别并应用元数据过滤条件，可限定仅检索文献的摘要、方法、结果、讨论等特定章节 - 使用 HyDE（假设文档嵌入） 生成多个与问题相关的 “假设段落” - 用这些假设段落与SciSciCorpus（科学学文献库）中的文本片段进行向量相似度匹配 - 对检索到的内容进行整合、归纳与解读，生成带学术引用的综述性回答 核心功能补充： - 可根据问题需要，对摘要、方法、结果、讨论等不同文献片段进行分层检索，逐步深化理解。 - 以真实文献检索结果为基础生成回答，增强内容的可追溯性和学术可靠性。 HyDE（假设文档嵌入） = 先用 AI 编一段 “意思相近” 的假答案，再拿它去精准找到真文献。 负责学术数据获取、数据结构理解、数据提取、数据清洗与标准化的专业智能体，核心对接学术数据库数据基础。 工作流程： - 接收数据任务，明确需要哪些数据、范围与条件。 - 自动读取并理解数据库的表结构，知道数据存放在哪张表、哪些字段。 - 根据任务需求，自动生成对应的数据库查询语句，从 SciSciNet 中提取目标数据。 - 对机构名称、作者名称、文献信息等进行统一标准化处理，避免因名称写法不同导致分析错误。 - 完成数据清洗、去重、格式转换，生成可直接用于分析的干净数据。 功能补充： - 能够处理千万级别的论文、引用、合作网络、机构关系等大规模学术数据。 - 自动理解复杂的数据关系，不需要人工写查询语句或整理数据。 负责数据统计分析、模型构建、代码自动编写与科研图表可视化的专业智能体，依托隔离安全的代码运行环境，完成从数据到科研结论的全流程计算工作。 工作流程： - 接收指令，读取已清洗完成的规范数据。 - 根据研究需求，自动选择合适的分析方法，包括描述统计、回归分析、网络分析、聚类分析、因果分析等。 - 在安全隔离的代码沙箱环境中，自动编写可运行的代码，支持 Python、R、Julia。 - 运行代码完成数值计算、指标提取、关系验证与规律挖掘，得到量化分析结果。 - 根据数据特征与任务要求，自动生成专业科研图表，如合作网络图、双轴趋势图、分布对比图等。 功能补充： - 无需人工编写代码，自动完成从数据到图表的全流程分析。 - 支持复杂科研场景，可复现顶刊论文中的图表与统计结论。 负责全流程质量检查、结果打分、问题诊断与改进建议的监督型智能体，通过多级评估机制保障整个科研流程可靠、准确、规范。 工作流程： - 全程监控其他智能体的执行过程，在关键步骤完成后启动评估。 - 开展工具使用评估：检查数据查询、文献检索、代码调用等操作是否正确、合理。 - 开展图表可视化评估：检查图表清晰度、配色、标注、布局是否规范，给出优化建议。 - 开展整体任务评估：检查整个子任务是否完整达成目标，方法选择是否科学。 - 对每一项结果进行量化打分，根据分数判断是否通过、是否需要修正或重做。 功能补充： - 自动纠错、自动提升结果质量。让系统具备自我修正能力，提升分析可靠性与学术严谨性。 - 有效减少大模型错误、代码漏洞、图表不规范等问题。 对比：SciSciGPT、Google AI co-scientist

[嵌入电子表格: Vz2Qs8XW3h6Yhwt2Er0c...]

（二）端到端自动科研类 Agent

代表：AI-Researcher、Agent Laboratory - 尝试让 AI 从研究想法出发，自动完成文献检索、研究假设生成、实验设计、代码实现、结果分析、图表生成和论文初稿撰写等完整流程。 - 这类研究更强调“科研流程自动化”，展示 AI 参与完整研究闭环的可能性，但目前仍以原型探索为主，不能直接替代研究者完成正式论文。

【AI-Researcher】

整体目标是尽量自动完成科研流程。论文摘要中说，它覆盖从 文献综述、假设生成、算法实现，到可发表论文准备 的完整链路，并提出 Scientist-Bench 来评价自动科研能力。 提供明确研究想法，AI 帮助执行 只给参考文献，AI 自主生成想法并执行 查资料 → 筛资料 → 找空白 → 生成研究想法 想法设计 → 写成代码 → 跑实验 → 看结果 → 继续优化 解释结果 → 组织论文结构 → 生成完整论文 评价自动科研系统的产出质量：研究是否有创新性、实验是否充分、理论基础是否扎实、结果解释是否准确、论文写作是否清晰连贯

▪️ SciSciGPT和AI-Researcher网页版试用 两个都有开源版本，也都有在线网页形式可以体验，但定位和使用方式不一样。 SciSciGPT： - 更偏向文献检索、科研数据分析和可视化。它可以连接API，在给定具体研究范围后，辅助完成自动检索、文献理解、数据库查询、数据分析和结果解释。 - 不过，主要还是擅长科学学研究场景（分析论文、作者、引用等学术数据）、如果用到其他学科，可能需要调整数据源、关键词、分析流程和本地部署配置。 - 可以借鉴“文献 + 数据 + 可视化”方面的流程，以及如何拆解分析任务。 AI-Researcher - 网页版拆成了很多个模块，可以按研究阶段分别选择。包括：完整研究流程、文献综述、研究想法生成、方法设计、自动实验、数据分析、复现论文。使用过程也比较像对话式操作：输入研究问题或者上传资料，然后选择不同模块，让 Agent 按阶段生成结果。 - 可以学习：不同阶段对应不同 Agent，各个模块之间怎样串联起来。后续结合开源代码进一步了解模块实现、提示词设计和工具调用方式。 我们目前的研究也可以拆分成类似的子模块：文献基础 → 研究空白 → 七机制框架 → 变量设计 → 数据口径检查 → XGBoost / SHAP 实验 → 结果解释 → 治理建议。今天这两个比较偏向科研Agent系统，重点是学习它们如何拆分科研流程、设置分工协作。明天试一下academic-research-skills。

一、工作内容概述

二、了解学术研究 Agent

近一年，学术 AI Agent 研究从单点辅助工具转向了“科研流程型 Agent”。主要覆盖文献检索、假设生成、代码实验、数据分析、图表生成、论文写作和自我评估等环节。

（一）科研协作者类 Agent

代表：SciSciGPT、Google AI co-scientist 强调在人类研究者主导下，AI 作为科研助手或协作者参与具体环节。主要帮助研究者完成文献理解、问题拆解、数据分析、结果解释和研究方案生成。

【SciSciGPT】

论文：SciSciGPT: advancing human–AI collaboration in the science of science 发表期刊 | 年份：Nature Computational Science（2025 年 12 月） 解决的问题：论文认为，现在科研越来越依赖大规模数据和复杂计算方法，但这会带来很高的技术门槛。研究者可能有研究问题，但需要自己完成数据库理解、数据清洗、SQL 查询、代码分析、可视化和结果检查，效率低、门槛高。 常规科研分析流程：文献检索 → 找数据 → 理解数据库结构 → 写 SQL / Python / R → 做统计分析 → 画图 → 检查结果 → 反复修改。

系统架构：5 大智能体协同

负责科学学领域文献检索、知识提取、综述生成与引用溯源的专业智能体，核心通过领域专属检索增强生成架构实现精准知识调用，降低大模型幻觉风险。 完整工作流程：

• 根据用户的研究问题，生成规范的检索问题
• LLM 自动识别并应用元数据过滤条件，可限定仅检索文献的摘要、方法、结果、讨论等特定章节
• 使用 HyDE（假设文档嵌入） 生成多个与问题相关的 “假设段落”
• 用这些假设段落与SciSciCorpus（科学学文献库）中的文本片段进行向量相似度匹配
• 对检索到的内容进行整合、归纳与解读，生成带学术引用的综述性回答 核心功能补充：
• 可根据问题需要，对摘要、方法、结果、讨论等不同文献片段进行分层检索，逐步深化理解。
• 以真实文献检索结果为基础生成回答，增强内容的可追溯性和学术可靠性。 HyDE（假设文档嵌入） = 先用 AI 编一段 “意思相近” 的假答案，再拿它去精准找到真文献。 负责学术数据获取、数据结构理解、数据提取、数据清洗与标准化的专业智能体，核心对接学术数据库数据基础。 工作流程：
• 接收数据任务，明确需要哪些数据、范围与条件。
• 自动读取并理解数据库的表结构，知道数据存放在哪张表、哪些字段。
• 根据任务需求，自动生成对应的数据库查询语句，从 SciSciNet 中提取目标数据。
• 对机构名称、作者名称、文献信息等进行统一标准化处理，避免因名称写法不同导致分析错误。
• 完成数据清洗、去重、格式转换，生成可直接用于分析的干净数据。 功能补充：
• 能够处理千万级别的论文、引用、合作网络、机构关系等大规模学术数据。
• 自动理解复杂的数据关系，不需要人工写查询语句或整理数据。 负责数据统计分析、模型构建、代码自动编写与科研图表可视化的专业智能体，依托隔离安全的代码运行环境，完成从数据到科研结论的全流程计算工作。 工作流程：
• 接收指令，读取已清洗完成的规范数据。
• 根据研究需求，自动选择合适的分析方法，包括描述统计、回归分析、网络分析、聚类分析、因果分析等。
• 在安全隔离的代码沙箱环境中，自动编写可运行的代码，支持 Python、R、Julia。
• 运行代码完成数值计算、指标提取、关系验证与规律挖掘，得到量化分析结果。
• 根据数据特征与任务要求，自动生成专业科研图表，如合作网络图、双轴趋势图、分布对比图等。 功能补充：
• 无需人工编写代码，自动完成从数据到图表的全流程分析。
• 支持复杂科研场景，可复现顶刊论文中的图表与统计结论。 负责全流程质量检查、结果打分、问题诊断与改进建议的监督型智能体，通过多级评估机制保障整个科研流程可靠、准确、规范。 工作流程：
• 全程监控其他智能体的执行过程，在关键步骤完成后启动评估。
• 开展工具使用评估：检查数据查询、文献检索、代码调用等操作是否正确、合理。
• 开展图表可视化评估：检查图表清晰度、配色、标注、布局是否规范，给出优化建议。
• 开展整体任务评估：检查整个子任务是否完整达成目标，方法选择是否科学。
• 对每一项结果进行量化打分，根据分数判断是否通过、是否需要修正或重做。 功能补充：
• 自动纠错、自动提升结果质量。让系统具备自我修正能力，提升分析可靠性与学术严谨性。
• 有效减少大模型错误、代码漏洞、图表不规范等问题。 对比：SciSciGPT、Google AI co-scientist

[嵌入电子表格: Vz2Qs8XW3h6Yhwt2Er0c...]

（二）端到端自动科研类 Agent

代表：AI-Researcher、Agent Laboratory

• 尝试让 AI 从研究想法出发，自动完成文献检索、研究假设生成、实验设计、代码实现、结果分析、图表生成和论文初稿撰写等完整流程。
• 这类研究更强调“科研流程自动化”，展示 AI 参与完整研究闭环的可能性，但目前仍以原型探索为主，不能直接替代研究者完成正式论文。

【AI-Researcher】

整体目标是尽量自动完成科研流程。论文摘要中说，它覆盖从 文献综述、假设生成、算法实现，到可发表论文准备 的完整链路，并提出 Scientist-Bench 来评价自动科研能力。 提供明确研究想法，AI 帮助执行 只给参考文献，AI 自主生成想法并执行 查资料 → 筛资料 → 找空白 → 生成研究想法 想法设计 → 写成代码 → 跑实验 → 看结果 → 继续优化 解释结果 → 组织论文结构 → 生成完整论文 评价自动科研系统的产出质量：研究是否有创新性、实验是否充分、理论基础是否扎实、结果解释是否准确、论文写作是否清晰连贯

▪️ SciSciGPT和AI-Researcher网页版试用 两个都有开源版本，也都有在线网页形式可以体验，但定位和使用方式不一样。 SciSciGPT：

• 更偏向文献检索、科研数据分析和可视化。它可以连接API，在给定具体研究范围后，辅助完成自动检索、文献理解、数据库查询、数据分析和结果解释。
• 不过，主要还是擅长科学学研究场景（分析论文、作者、引用等学术数据）、如果用到其他学科，可能需要调整数据源、关键词、分析流程和本地部署配置。
• 可以借鉴“文献 + 数据 + 可视化”方面的流程，以及如何拆解分析任务。 AI-Researcher
• 网页版拆成了很多个模块，可以按研究阶段分别选择。包括：完整研究流程、文献综述、研究想法生成、方法设计、自动实验、数据分析、复现论文。使用过程也比较像对话式操作：输入研究问题或者上传资料，然后选择不同模块，让 Agent 按阶段生成结果。
• 可以学习：不同阶段对应不同 Agent，各个模块之间怎样串联起来。后续结合开源代码进一步了解模块实现、提示词设计和工具调用方式。 我们目前的研究也可以拆分成类似的子模块：文献基础 → 研究空白 → 七机制框架 → 变量设计 → 数据口径检查 → XGBoost / SHAP 实验 → 结果解释 → 治理建议。今天这两个比较偏向科研Agent系统，重点是学习它们如何拆分科研流程、设置分工协作。明天试一下academic-research-skills。