区别
研究智能体和普通 AI 助手差在哪
普通助手一问一答，每次回复都要你给下一步指令。研究智能体接到目标后会自己规划步骤，并根据中间结果调整后面的做法。
先拆任务，再执行
提出“梳理这个方向的研究现状”后，它会先规划关键词、文献范围和要提取的字段，再去检索和整理。规划本身就值得你先看一眼：方向错了，后面每一步都会沿着错的方向走。
能迭代
第一轮结果不合适时，可以按反馈调整关键词、文献范围或实验参数，而不是从头重新描述一遍问题。
交叉方向更有优势
交叉研究涉及多个学科的术语。智能体可以同时扩展各学科的常用表达，研究者再从中筛选，比人工逐个数据库试词更快。
能动手，不只是总结
有执行环境的研究智能体可以下载数据、编写并运行代码、保存图表和日志。需要新证据的问题，它能自己去产生证据，而不只是转述别人做过什么。
任务拆分
五类研究任务的输入、输出和核验方法
交给智能体的每类任务都应该有明确的输入和可检查的输出。核验列是验收标准，过不了就不要进入下一步。
| 任务 | 输入 | 输出 | 核验 |
|---|---|---|---|
| 检索 | 研究问题、时间范围、文献类型、排除项 | 检索式、候选文献、纳入理由 | 题名、作者、来源和链接能打开并对上 |
| 阅读 | 论文全文和需要回答的问题 | 方法、样本、结果、局限 | 每条结论能定位到原文的页码或段落 |
| 提出假设 | 已确认的文献和研究缺口 | 可检验的假设及其依据 | 依据来自已核对的文献，且假设能被数据或实验否定 |
| 代码与实验 | 假设、数据来源、评价指标 | 代码、数据、日志、图表和结果 | 换一次运行能得到一致结果，参数和数据版本有记录 |
| 写作与修改 | 已确认的材料、章节目的、需保留的内容 | 带引用的草稿和修改说明 | 引用对象支持对应论断，事实和数字没有被改错 |
方法
一套可照着走的研究智能体工作流
- 01
写清任务边界
一次性说明四件事：研究问题、可用材料范围、交付格式、停止条件。例如“检验某公开数据集上方法 A 是否优于方法 B，只用同行评审论文和官方数据，交付对比表、代码和一页结论，跑完三组对照实验后停下等我确认”。
- 02
先检索，再精读
让智能体生成检索式并按主题分组候选文献。确认纳入名单后，再提取每篇的研究问题、方法、样本、结论和局限，比较不同论文的实验设置。
- 03
从文献缺口提出假设
要求智能体把假设和支撑它的文献对应起来，并写明什么样的结果会否定这个假设。说不出否定条件的假设，通常还不够具体。
- 04
写代码并运行实验
实验先跑小规模版本，确认数据读取、指标计算和结果格式都对，再放大规模。代码、依赖、数据版本和日志要和结果放在一起。
- 05
按结果决定下一轮
结果支持、否定或无法判断假设时，分别该做什么，最好在第一步就约定好。研究者审阅结果后，再决定继续迭代、调整方向还是整理成报告。
Scientify
用 Scientify 把研究目标交给智能体持续推进
Scientify 是运行在隔离云电脑中的科学智能体。你给出研究目标后，它会围绕课题持续组织检索策略、尝试获取全文 PDF、提炼假设，并规划和执行实验，再根据结果推进下一轮。
文献、代码、依赖、数据、日志、图表和实验结果保存在同一个工作区，研究过程可以持续迭代，结果代码可以复现。关掉电脑后任务继续运行，你可以用手机或其他设备查看进度、给出反馈，最终拿到代码、数据和报告。
- 核心智能体已开源，GitHub 获得 2k+ Stars，相关论文入选 ICML 2026
- 可连接算力和已授权的计算软件，执行化学、材料和力学计算并分析结果
- 对话历史和工作区文件只保存在隔离云电脑中，Scientify 服务器不存储这些研究数据
- 新注册用户免费获得一台云电脑和 $5 模型额度，同等模型用量的价格约为标准 API 的 30%
误区
常见误区与验收清单
- 目标太大太散：“帮我研究一下大模型”没有停止条件，智能体只能无限扩展。把它缩成一个能被结果回答的问题。
- 只看结论不看过程：报告写得通顺不等于证据成立。先抽查引用和日志，再读结论。
- 引用不回原文：检索结果打不开、归纳内容定位不到出处的，一律不进入论文。
- 实验不留痕：没有代码、参数和数据版本记录的结果无法复现，也无法被审稿人检验。
- 把判断外包：研究问题、证据质量、结论解释和学术责任仍然属于研究者。
参考资料
- Scientify 开源智能体（GitHub） — 核心智能体源码
- Scientify 相关论文（arXiv） — 入选 ICML 2026