区别
Deep Research 和普通 AI 问答差在哪
普通问答直接根据模型已有知识生成回答。Deep Research 会规划检索、阅读网页或论文、筛选来源，最后综合成长文。
多步检索代替单轮回答
系统会把问题拆成子问题，分别检索，再根据中间结果调整下一轮检索。因此一开始的范围写错，后面每一轮都会沿着错误方向扩展。
输出是报告，不是结论
报告里的每个论断都应能对应到具体来源。没有出处或出处无法打开的段落，只能当作待验证的线索。
停在“读”和“写”
多数 Deep Research 产品只检索和总结已有资料，不会替你下载数据、运行代码或复现实验。需要新证据的问题，它只能告诉你别人怎么做过。
一次性会话
报告生成后，检索过程、筛掉的来源和中间判断通常不会保留。下一轮追问时，很难在同一批材料上继续推进。
方法
四步完成一次可核验的深度研究
- 01
把问题写成有边界的研究问题
写清研究对象、方法或视角、时间范围和产出形态。例如“2021 年以来基于深度学习的医学影像分割方法，在小样本场景下的进展与争议，输出带引用的对比表”，比“深度学习医学影像”有效得多。
- 02
指定证据来源和排除项
说明只接受同行评审论文、官方数据或指定数据库，并写明排除项，例如不含综述、不含预印本。已知的关键论文或理论框架也写进问题里，能显著减少无效来源。
- 03
先抽查引用，再读结论
拿到报告后，先随机打开几条引用，核对题名、作者、年份和原文是否支持对应论断。进入正式文稿的引用要逐条确认。
- 04
判断是否需要继续执行
如果报告的结论最终要靠数据分析、仿真或实验来验证，就把问题、已确认的文献和下一步计划交给能持续执行的科研 Agent，而不是继续追问报告。
升级
什么时候需要从“写报告”升级到“把研究跑完”
判断标准很简单：答案能不能只靠阅读已有资料得到。
| 你的目标 | Deep Research 报告 | 云端科研 Agent |
|---|---|---|
| 快速了解一个领域的主要分支 | 适合 | 可以，但不必要 |
| 找出某个结论的原始出处 | 适合，需要逐条核验 | 适合，会尝试获取全文 PDF |
| 复现论文里的实验或图表 | 只能描述别人的方法 | 编写并运行代码，保存结果 |
| 用公开数据检验一个假设 | 无法执行 | 下载数据、建模、分析并迭代 |
| 持续数天的课题推进 | 每次重新开会话 | 同一工作区持续运行，可随时查看进度 |
Scientify
用 Scientify 承接需要执行的研究问题
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，它会持续检索文献、尝试获取全文 PDF、提炼假设、编写代码并执行实验，再根据结果决定下一轮做什么。
文献、代码、依赖、数据、日志、图表和实验结果都保存在同一个工作区。你关掉电脑后任务继续运行，可以用手机查看进度并给出反馈，最后拿到可以复现的代码、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
- 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
纪律
无论用哪个工具，都要守住的三条纪律
- 引用必核验：随机抽查是底线，进入正文的引用逐条确认。
- AI 打底，判断自出：研究缺口、方法选择和结论解释必须由研究者负责。
- 保留过程：把检索记录、筛选理由、代码和中间结果留在同一处，下一轮研究才能站在已有积累上。
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