导读

这篇综述系统梳理了一个正在快速形成的新方向：AutoResearch，即由AI参与乃至主导科学研究工作流的自动化研究体系。它关心的不是单点任务上的“AI写论文”或“AI做实验”，而是把科学研究拆解为文献与研究依据、假设形成与计划、实验与工具使用、反馈验证与评审、报告与知识传播五个阶段，再考察AI在这些阶段中能够承担多少控制权、执行权与验证权。 论文最重要的贡献，是给出了一个五级自主性谱系：从完全人工研究的L0，到人类主导AI辅助的L1，再到人类验证AI执行的L2，进一步到AI主导人类辅助的L3，以及远期的AI自主研究L4。作者强调，当前大多数系统仍集中在L1-L2，L3和L4更多是未来目标，而不能被简单等同于现有LLM代理流水线。 这篇综述值得关注的原因在于，它把AutoResearch从“模型能力展示”拉回到“科学工作流基础设施”的问题：AI系统是否能形成可追踪证据、能否设计可执行实验、能否被可靠验证、能否保留数据与代码溯源，才是研究自动化能否真正进入科学实践的关键。

Abstract / 摘要

科学研究正被那些超越孤立辅助、迈向更长程工作流——涵盖文献依据、假设生成、实验、验证、报告和修订——的AI系统所重塑。这一转变标志着从任务级AI for Science向工作流级研究自动化的过渡。然而，该领域仍然碎片化：现有系统在自主性、领域范围、执行环境、验证机制和对人类监督的依赖程度上差异显著。虽然许多系统能够生成合理的想法、操作工具、运行有界实验或生成精致的产物，但它们在证据保存、可复现性、弱方向拒绝、溯源追踪、跨领域鲁棒性和可负责科学闭环方面仍面临持续挑战。 本综述通过"AutoResearch"的视角审视这些发展，我们将其定义为AI驱动科学工作流自动化的演化谱系。在这个谱系中，"Vibe Research"指的是人类引导的区域，AI通过基于提示的辅助和人类验证的执行来扩展局部研究能力，而新兴的AI主导系统开始协调更大范围的发现环路，但尚未实现稳健的自主性。我们并未仅根据模型家族、智能体架构或基准性能对先前工作进行分类，而是分析研究系统如何在整个科学工作流中重新分配控制权、证据、执行、验证和问责。我们围绕五个重复出现的工作流条件来组织AutoResearch的技术基础：文献与研究依据、假设形成与计划、实验与工具使用、反馈验证与评审、以及报告与知识传播。我们进一步综合了AI科学家系统、混合主动协同研究框架、基准生态系统、特定领域部署和开源基础设施。 为了评估进展，我们提出了五个评估维度——新颖性、有效性、影响力、可靠性和溯源——将关注点从仅任务完成转移到工作流级输出的科学可信度。我们的分析表明，AutoResearch的实际天花板具有强烈的领域条件性：在研究成果是结构化、可执行且可快速验证的环境中，更高的自主性目前更可信；而在科学声明依赖于具身实验、延迟验证、异质证据、伦理约束或制度问责的领域中，则受到更多限制。通过连接概念边界、技术基础、评估逻辑和领域条件性的自主性天花板，本综述厘清了AutoResearch的当前图景，并确定了值得信赖的AI参与科学探究的要求。

1 Introduction / 引言

图1：AutoResearch的层级分解。图中沿五个科学工作流阶段展示L0-L4自主性谱系中人类与AI责任的转移，并区分工作流步骤级的“氛围研究”和更高层级的AutoResearch。 人工智能影响科学研究已有多年，但这种影响的形式已发生了实质性变化。早期的AI for Science浪潮以专门模型和任务特定系统为主导，这些系统针对定义明确的科学子问题，如分子性质预测、科学成像、自动化数据分析、文献检索以及特定领域的模拟或优化。一个典型例子是AlphaFold，其在蛋白质结构预测方面的成功展示了一个高度能力的AI系统如何在仍相对狭窄和明确的问题设定中改变一项重要的科学任务。 然而，能力前沿已从狭窄的预测和检索转向更强的语言理解、推理、检索增强合成、工具使用、代码生成和迭代多步执行。这一变化之所以重要，是因为它不仅扩展了AI执行孤立科学任务的能力，还扩展了其在研究过程中的参与广度：系统越来越有能力协助文献依据、支持想法生成、帮助制定计划、执行代码和工具、分析中间输出，并参与报告和修订。 因此，由此产生的转变不仅仅是"从较弱模型到更强模型"，而是从局部任务增强到工作流级研究自动化的日益增长的可能性。最近的系统如The AI Scientist使这一转变尤为显著，因为它们不再只针对一个单一的科学子任务，而是试图在集成的研究管线内连接想法生成、代码编写、实验、分析和手稿制作——其输出仍需科学验证。正是这种更广泛的转变——从任务特定的AI for Science到日益面向工作流的研究自动化——促使了本综述的撰写。 最近一波系统已开始将这种更广泛的可能性转化为具体的研究实践。在较轻量的一端，基于文献和深度研究式的系统扩展了AI在搜索、综合和结构化知识支持方面的能力，如LitLLM、OpenScholar和PaperQA2所示。在更面向执行的层面，可控工作区和编码环境，如OpenHands、Aider和SWE-agent，使AI在人类指导下操作文件、工具和实验产物变得日益实用。最近，集成的AutoResearch系统和操作栈已开始连接更广泛的研究环路，从构思和实验设计到执行、分析和起草，如The AI Scientist、AI Scientist-v2、Agent Laboratory、AI-Researcher、ARIS和NanoResearch所见。综合来看，这些发展表明研究自动化不再是投机性的抱负或孤立的模型演示集合，而是AI for Science的一个新兴系统级方向。 尽管如此，管线集成不应等同于已实现的科学自主性。现有系统在搜索、起草、编码和某些形式的有界执行方面已经很强，但在验证、拒绝、异常处理、可复现性和可负责的科学闭环方面仍然薄弱得多。现有综述已认识到这一图景的重要部分，但它们在范围、分析单元和关于自主性的隐含假设方面仍存在显著差异。因此，需要一个以工作流为中心的分析来比较这些系统、它们的自主性主张及其科学极限。 为了在共同的分析框架内比较这种新兴但仍然碎片化的图景，本综述采用了以工作流为中心的研究自动化概念。我们使用"AutoResearch"一词来描述科学实践更广泛的重组，其中AI不再局限于孤立的分析辅助，而是日益参与延展的科学过程，涉及文献依据、构思、实验、验证、报告和研究计划的迭代延续。更精确地说，AutoResearch标志着科学探究的一个工作流级范式，在该范式中，人类和AI的贡献在发现环路中根据控制权、执行权、验证权和科学问责的不同分配进行分布。 我们将在图1中预览这一重组如何在科学工作的主要阶段而非单个孤立任务中发生。我们以科学工作流自主性的五级谱系来形式化这一转变，标记为L0至L4。这些级别描述了AI在研究工作的组织、执行、验证和闭环中参与的程度，而非AI工具在过程中出现的频率。 在这个谱系中，L1–L2捕获了AutoResearch的人类引导区域，其中有界AI辅助和人类验证的AI执行目前占主导地位。我们将这个区域称为"Vibe Research"——一个面向实践者的简化描述，指AI扩展局部研究能力，而人类保留科学方向、验证和问责的工作流。L3标志着AI主导的AutoResearch的开端，但我们保留这一级别给那些能够协调更大工作流部分并产生科学可信输出而无需常规逐级人类验证的系统。当前的集成管线因此对L3产生了压力，但尚未成为其成熟实例。L4代表抱负性的状态，其中AI能够在日常执行中不需要人类在结构上存在的情况下实现常规工作流闭环，同时仍受制于机构监督和科学问责。 图2总结了这一自主性谱系，包含四个轴：工作流控制、任务执行、验证权威和科学责任。因此，这些级别是控制权和责任的描述性分配，而非科学可取性的普适排名。 五级可定义如下： L0：仅人类。 在L0，科学探究在整个工作流中保持人类领导、人类执行和人类验证。研究人员确定问题、解释先前工作、制定假设、设计和运行实验、评估证据，并决定一个声明何时足够成熟以进入科学记录。因此，这一级别的定义性质不仅是人类在场，而是科学判断、工作流闭环和问责在每个关键过渡中完全由人类保留。L0对应于传统科学组织，其中批评、验证和接受仍嵌入人类推理、学科规范和共同体评审中。 L1：人类主导，AI辅助。 在L1，工作流果断地保持人类主导，但AI成为其内部有界辅助的常规来源。这一级别的特征模式是研究人员仍组织探究、决定什么重要并对所有关键判断保持责任，而AI用于加速特定认知任务，如文献搜索、总结、解释、头脑风暴、起草和轻量级分析。区分L1与L0的因此不是执行或闭环的转移，而是在人类组织的工作流内部重复插入AI作为局部认知辅助。通用LLM界面，如GPT-4类系统和DeepSeek类界面，代表了这种操作模式。 L2：人类验证，AI执行。 在L2，AI开始执行研究工作流的实质性部分，但验证、接受和问责的科学权威仍由人类持有。从L1到L2的关键转变因此不仅是AI变得更有帮助，而是它开始执行原本需要直接人类执行的工作：读写文件、生成和修正代码、调用工具、运行分析、生成中间产物，或在可控环境中协调几个有界步骤。在此机制下，人类不再需要手动执行每个局部操作，但他们仍设定研究议程、决定分支是否继续、检查输出是否有效，以及确定结果是否足够可靠以进入科学工作流。代表实例包括编码和执行环境如OpenHands、Aider、SWE-agent；混合主动协同研究系统如AI co-scientist和FreePhD；以及集成研究管线如The AI Scientist、AI Scientist-v2和Agent Laboratory。 L3：AI主导，人类辅助。 在L3，研究工作流开始从人类验证的执行转向AI主导的协调。这一级别的定义性质是AI不仅执行有界任务或连接几个模块，而是开始组织更大的工作流部分，包括依据、计划、执行、验证、修订和报告。人类仍参与其中，但他们的角色从常规逐级验证转向更高级别的监督、辅助、异常处理和当工作流变得不确定或科学不充分的干预。因此，L2和L3之间的边界并非由管线长度决定，而是由普通工作流控制、分支选择、拒绝和持续是否仍依赖常规人类验证决定。在本综述中，L3被视为AutoResearch的前进方向和AI主导科学工作流协调的更严格前沿，而非仅因系统实现了端到端研究管线而赋予的标签。 L4：AI自主。 在L4，AI将端到端地执行科学研究，而无需人类在常规工作流闭环中在结构上存在。这一级别需要的不仅仅是广泛的自动化：系统需要能够构建和延续研究问题、将假设依据于先前工作、计划和执行研究、验证结果、拒绝弱方向、保存溯源并以符合领域适当可靠性和问责标准的方式交流发现。与L3相比，关键差异在于常规工作流进展不再需要人类参与，尽管机构监督、治理和事后审计仍可能必要。在本综述中，L4因此被用作分析上限而非已实现的机制。 通过L0–L4框架来看，AutoResearch的当代发展最好被理解为研究工作流中科学劳动的"选择性重新分配"，而非AI存在的统一增长。对自动化的压力并非平均作用于探究的所有阶段。文献搜索、起草、编码和某些形式的有界工具使用已被证明相对容易加速或部分外包，而验证、拒绝、解释性判断、异常处理和可问责的科学签字仍明显更抵抗。这种重新分配也不会在不同领域中以相同方式推进。计算和形式科学，其中产物是机器可读、可重放且相对便宜可验证的，在工作流自动化的更高级别上已取得更快进展，而湿实验室生物、医学、化学和社会科学仍更受限于具身性、实验延迟、异质证据和规范性问责。 因此，当前系统之间的主要经验差异不在于它们是否已达到成熟的L3，而在于人类验证的L2执行从局部辅助扩展到更广泛管线自动化的程度。AutoResearch因此不是一个单一前沿，而是一个分层的、领域条件性的科学工作重组。 贡献。 在此背景下，本综述的目标不仅是编目近期系统，而是提供一个理解AI如何在研究工作流层面重组科学工作的共同框架。为此，本文做出三项主要贡献：

• 我们提供了一个AutoResearch作为工作流级科学自动化的概念框架。 我们将AutoResearch定义为一个工作流级范式，其中AI参与科学探究的组织、执行、验证和传播，而非一组孤立的AI for Science工具或独立研究智能体。我们引入了从L0到L4的五级自主性谱系，并区分了L1–L2的人类引导"Vibe Research"区域和L3–L4的更严格AutoResearch前沿。该框架通过分离有界辅助、人类验证的AI执行、管线自动化和成熟的AI主导的科学自主性，为比较当前系统提供了一套保守的词汇。它还有助于避免将更广泛的工作流覆盖等同于可靠的自主研究闭环。
• 我们围绕五个工作流条件发展了AutoResearch的技术分类。 我们围绕五个重复出现的工作流条件组织AutoResearch的技术基础：文献与研究依据、假设形成与计划、实验与工具使用、反馈验证与评审、以及报告与知识传播。该分类学阐明了当前系统如何在研究工作流中重新分配科学工作，从证据构建和想法选择到执行、拒绝、修订和产物生成。它进一步表明更强的自动化不仅需要有能力模块，还需要在证据、计划、环境、验证机制和可传播的研究产物之间建立持久耦合。通过此视角，不同的研究智能体、AI科学家系统和工作流基础设施可以在共同的技术框架内进行比较。
• 我们综合了AutoResearch的评估原则和领域条件性自主性极限。 我们围绕工作流级科学可信度的五个维度组织AutoResearch评估：新颖性、有效性、影响力、可靠性和溯源。这些维度将关注点从系统能否完成任务转移到其研究输出是否原创、正确、有用、可复现和可在工作流中追溯。我们进一步分析了自主性天花板在不同领域之间的差异，表明更强的自动化目前在对执行和审计友好的环境中更可信，如计算和形式科学，而具身、延迟、异质或高风险领域则更受限于验证、安全、不确定性和问责要求。这种领域条件性的视角解释了为何向自主研究的进展在科学各领域是不均匀而非统一的。

论文组织。 本综述的其余部分组织如下。第2节从历史和概念角度介绍AutoResearch，阐明其范围、边界及与AI for Science和研究自动化相邻分支的关系。第3节通过科学发现环路的各主要组成部分检查其技术基础，包括文献依据、假设生成与计划、实验与工具使用、验证和报告。第4节发展了一个以新颖性、有效性、影响力、可靠性和溯源为中心的统合评估视角，并将当前基准、审计工具和评估实践置于该框架内。第5节分析了AutoResearch的实际天花板如何在主要科学领域之间不同，强调了为何工作流可移植性在实践中仍然有限。最后，第6节讨论了能力边界、评估差距、领域泛化局限、可靠性、审计性以及AutoResearch的伦理和社会影响。

2 Overview of AutoResearch / AutoResearch概述

图2：AutoResearch五级自主性谱系。L0为完全人工研究，L1-L2由人类主导并验证，L3转向AI主导、人类辅助，L4则指向端到端AI自主完成研究工作流。 过去几十年来，科学工作变得日益数字化、仪器化和软件中介化，使得研究过程的更大部分变得可搜索、可执行并向部分自动化开放。最近的综述和定位论文日益将这一转变描述为工作流、研究生命周期和自主系统的更广泛重组，而非孤立任务工具的增长。当代AutoResearch图景正是在此转变中出现的，随着语言模型、科学智能体和软件原生研究环境的进步，有界辅助、可控执行和更长地平线的工作流协调变得日益可操作。 在绘制这一图景时的一个核心困难是管线广度可能被误认为科学自主性。许多最近的系统连接了文献依据、构思、编码、实验、分析和写作，但其输出仍需人类研究人员来判断有效性、新颖性、可用性和接受性。因此，我们采用保守的放置规则：系统被分配到与其已展示的工作流角色一致的最低自主性机制，集成管线当常规人类验证仍在结构上必要时保持在L2内。为了使这一区分可见，本节进一步将L2细分为单步自动化执行、交互式工作流自动化和人类验证下的管线自动化。图4为这一阐述提供了历史支架。 图3：AutoResearch综述框架。该综述围绕概念与范围、技术基础、评估、领域实现和讨论五个部分组织，将研究自动化视为分层工作流图景，而不是单一模型类别或基准趋势。

自动研究的历史

图4：AutoResearch历史概览。图中将代表性系统、基准、综述和开源项目映射到L0-L4自主性谱系，展示该领域从辅助工具、单步自动化到流水线自动化和未来自主目标的演化。 AutoResearch的历史发展最清楚地体现在研究工作流本身的渐进式重构中。研究的不同部分在不同时间变得可形式化、可执行和可连接，使得辅助、执行、协调和部分闭环在发现过程中不均匀地积累。这一轨迹反映在工作流中心研究自动化观的成熟、自主科学系统的兴起，以及将文献工作、计划、执行和报告耦合在共享操作环路内的更长地平线研究管线的出现。以下历史因此聚焦于研究自动化如何从人类中心的科学实践扩展到知识工作辅助、有界执行、交互式工作流、集成的人类验证管线，最后到更严格的自主性前沿。

• 作为基准线的人类中心科学实践。 在研究自动化成为技术议程之前，科学探究围绕人类的问题构建、文献解释、假设构建、实验设计、证据评估和面向共同体的传播来组织。经典的科学发展框架通过猜想与反驳、范式引导的探究与断裂以及稳定知识声明的共同体规范来定位这一机制。战后科学传播的扩展扩大了发表、协作和机构评审的规模，但并未将科学闭环从人类研究人员和研究共同体手中重新分配。在时间线上，这表现为人类唯一的科学工作流基准线：一个参照点，后来自动化改变了搜索、执行、验证和报告的分配，而没有立即替换科学判断。
• 辅助、领域框架与知识工作自动化。 AutoResearch的第一个持久层出现在科学知识工作变得可搜索、可综合和部分可形式化时。早期锚点如Robot Scientist Adam和AI Feynman展示了在有结构的环境中，如自动化假设测试、符号恢复或约束科学空间上的推理，发现的选择性组件可以被自动化，而更广泛的对科学自动化的讨论将自动化定位为一个工作流级问题。随着语言模型的兴起，如BioPlanner和LitLLM等系统将这一层转向协议推理和以文献为中心的研究支持。到2024年，检索和综合导向的系统，包括Research Agent、STORM、OpenScholar、SciSage、HypER和PaperQA2，使基于依据的搜索、多视角综合、假设支持和基于论文的问答成为稳定的辅助工作流的一部分。STORM，例如，明确是一个用于基于依据的长篇写作的检索和多视角提问系统，而非执行性研究智能体。到2025–2026年，Deep Research Arena、GPT Researcher、Tongyi Researcher、Open Researcher和DeerFlow，连同Auto Research Vision和Transforming Science with LLMs等定位性工作，巩固了AI作为科学工作中一种重复出现的认知和组织层。历史上，这一L1层提高了研究吞吐量和组织能力，但它并未将执行权或科学闭环从人类研究人员处转移。
• L2-S：单步自动化执行。 下一个历史性转变发生在AI系统开始执行有界科学操作而非仅支持知识工作时。我们将这一机制描述为L2-S，或单步自动化执行。该层的系统可以执行明确定义的操作，如工具调用、代码执行、协议实施、实验室控制、模型训练、数据驱动分析或有界实验支持。Coscientist将语言模型连接到化学中的搜索、代码执行、实验室文档和实验自动化，而A-Lab展示了通过计算、历史或文献推导知识、主动学习和机器人执行的自主材料合成。两者扩展了执行能力，但处于受控科学领域而非通用研究工作流中。到2024年，CycleResearcher、MLR-Copilot、RD Agent、AIGS和Virtual Lab将有界执行扩展到计划、实施、修订和虚拟实验环境。这一层的定义性质不是完全的工作流自主性，而是在约束目标、受控设置和外部验证下，选择的可执行任务从人类向AI的转移。
• L2-I：交互式工作流自动化。 第二种L2模式随着系统开始通过交互、反馈和混合主动控制支持多步工作流而出现。我们称这一机制为L2-I，或交互式工作流自动化。与执行有界操作的L2-S系统不同，L2-I系统帮助在几个研究行动中维持进展，同时依赖人类反馈、引导或接受。SciAgents将执行从简单的工具使用扩展到多智能体推理和结构化科学表现上的科学构思。2025–2026年浪潮进一步拓宽了这一层：AI co-scientist、SciSciGPT、FreePhD、Robin和AgentRxiv通过协作构思、反馈、代码或数据驱动实验、论文生成和研究生产，向更强的混合主动协同研究推进。HLER、统计遗传学的AI co-scientists和Dr-claw进一步将此模式扩展到经济学、遗传学、生物医学分析、细胞研究和项目级辅助。
• L2-P：人类验证下的管线自动化。 当前填充最强的层是L2-P：人类验证下的管线自动化。该机制中的系统连接多个研究阶段——如文献依据、构思、实施、实验、分析、评审和写作——在更长的操作环路内部。The AI Scientist通过将想法生成、代码编写、实验执行、图表制作、论文起草和模拟评审耦合到一个端到端的研究框架中，使这一方向尤为可见，同期的Autoresearcher也做出了早期工作。到2025年，Idea2Paper、Agent Laboratory、AlphaEvolve、DeepScientist、CodeScientist和OmniScientist通过论文生成、编码、实验管理、多智能体生态系统或更长地平线的研究生产进一步扩展了这一管线视图。AI Scientist-v2、AI-Researcher、InternAgent和Kosmos通过智能体搜索、实验管理、持久研究状态以及文献、假设生成、数据分析和科学报告之间的更紧密耦合，加强了这一前沿。到2026年，NanoResearch、ResearchClaw、ScienceClaw、AutoResearchClaw、ARIS和EvoScientist等开放基础设施进一步将该领域从孤立的研究智能体演示转向可重用工作区、工具丰富的编排、持久项目状态和研究管线基础设施。
• 作为基准化地平线的自主闭环。 最后一层不是一个密集填充的系统类别，而是一个评估前沿。L3仍然是AI主导的研究所需不仅仅是管线广度的点：系统需要能够协调更大的工作流部分，并在无需常规逐级人类验证的情况下生成科学可信的中间和最终输出。当前系统展现出向这一条件的部分压力，但成熟的L3的稳健证据仍然有限。L4仍然更远，需要具有可靠拒绝、验证、溯源、可复现性和问责的自主科学闭环。时间线有意地将成熟系统与抱负性地平线分开：没有当前系统被视为完全自主科学闭环的稳健实例。相反，最近的基准层测量了现有智能体离那个地平线还有多远。How Far Are AI Scientists from Changing the World? 通过将系统抱负与科学影响之间的差距前景化，尖锐化了该领域的瓶颈分析。ResearchBench将科学发现重新定位为一个可分解的基准问题，而AIRS-Bench和FIRE-Bench将评估推向前沿研究智能体和全周期再发现任务。这一阶段在历史上很重要，因为该领域不再仅由日益有能力的系统定义；它也越来越由日益明确的工作流闭环、实施可靠性、证据质量和科学推理测试来定义。

自动研究的当代图景

当代AutoResearch图景并非围绕一个单一的规范架构组织，而是围绕功能性的劳动分工。一层通过文献依据、基于来源的综合、问答、计划和报告构建来稳定知识支持；STORM和OpenScholar等系统通过使检索增强的知识工作更加结构化和持久，体现了这一层。第二层提供执行环境，包括代码智能体、工具使用、实验室接口、受控环境和软件智能体执行。第三层将这些能力连接成更长的研究管线，涵盖构思、实施、实验、分析、论文生成和评审式反馈；The AI Scientist和AI Scientist-v2是代表，因为它们使代码原生的端到端研究环路得以明确。开源项目和基础设施为这些系统提供操作基础，包括软件智能体执行、工具编排、持久工作区和可重用研究环境。因此，该领域通过辅助、执行、交互和管线编排的共同成熟而前进。 表1选择了对当前图景在结构上具有重要性的工作，而非试图进行全面编目。纳入标准是工作流相关性：每个条目要么阐明了AutoResearch的概念边界，引入了可重用的研究支持或执行环境，实现了多阶段研究过程，提供了用于依据、执行、编排或报告的开放基础设施，要么评估了向自主科学闭环的进展。这一选择使该表成为该领域的一个结构图，而非按时间顺序的文献目录。主机制列遵循与图4相同的保守放置规则。 （表1：AutoResearch当代图景中的代表性工作。选定的综述、工作流级系统和开源项目按其在该领域中的结构角色分组。"级别"列指示每个工作的工作流范围、执行能力和人类监督程度所暗示的主要自主性机制，而非普适性能排名。来源：原论文PDF第11页。） 根据这一规则，当前图景集中在L1和L2，最快速的扩张发生在L2内部。基于文献的助手和深度研究系统填充L1；使用工具的有界执行系统和有界实验系统填充L2-S；混合主动协同研究系统填充L2-I；最近的AI科学家系统和非科学家系统大致填充L2-P。这种分布并不会削弱其重要性。相反，它阐明了当前AutoResearch的核心经验故事：该领域正从局部辅助转向集成的人类验证管线自动化，而成熟的AI主导自主性仍然是一个更严格的前沿。 这种分布反映了一种结构性的自主性过滤，而非模型规模的简单差距。AutoResearch在工作流片段模块化、输出可判断、环境可编程且反馈足够快速以支持迭代的领域进展最快。它在科学进展依赖于长地平线协调、领域特定解释、昂贵验证、异质证据、拒绝、溯源或制度问责的领域进展缓慢。因此，当代领域最好被理解为一个分层生态系统：概念框架定义空间，辅助系统稳定知识工作，执行系统扩展AI在研究工作流中的能力，管线系统测试这些组件能在多长的循环中被连接成人类验证的研究环路。

3 Technical Foundations of AutoResearch / AutoResearch的技术基础

图5：AutoResearch五阶段技术工作流。该图将自动研究分解为文献与研究依据、假设形成与计划、实验与工具使用、反馈验证与评审、报告与知识传播五个阶段。 AutoResearch的技术基础最好被理解为约束科学活动如何被依据化、可执行化、可修订化和可传播化的工作流条件。当代系统日益结合检索、计划、工具使用、实验、验证和报告，但它们的自主性不取决于这些模块的存在，而取决于它们在探究各阶段之间耦合的可靠性。本节因此考察了有界辅助、人类验证的执行和日益集成的管线自动化变得可操作的五种技术条件：文献依据、假设形成与计划、实验与工具使用、反馈验证与评审、以及报告与知识传播。

科学自主性的工作流条件

科学自主性取决于研究能力在工作流中如何组织，而非仅取决于单个组件的存在。检索、计划、工具使用、实验、验证和报告现在出现在许多研究导向的系统中，但它们对自主性的贡献取决于它们是否支持基于依据的推理、可执行行动、修订、拒绝和跨阶段的可问责沟通。图5提供了本节采用的工作流视图。因此，我们通过科学工作的五个技术条件——文献依据；假设形成与计划；实验与工具使用；反馈验证与评审；以及报告与知识传播——来分析AutoResearch，而不是通过像单智能体、多智能体、检索增强或工具使用架构这样的系统级标签。 每个条件提供了不同形式的科学约束。依据通过证据约束推理；计划通过可行性和比较约束探索；执行通过环境约束假设；验证通过拒绝压力约束输出；报告通过溯源和产物对齐约束沟通。这些条件共同决定了系统是保持局部助理、成为人类验证执行者，还是在人类验证下支持更广泛的管线级协调。

• 文献与研究依据。 研究自动化首先取决于先前工作如何在工作中被检索、过滤、解释、组织和重用。这一阶段包括搜索、重排、总结、引用处理、证据提取、声明追踪，以及为下游推理构建一个可用的科学上下文。其技术作用是将之后的阶段锚定于可追溯的证据，而非通用模型先验。
• 假设形成与计划。 基于依据的上下文随后必须转化为候选的科学方向。这一阶段包括提案生成、任务分解、可行性评估、优先级排序、分支，以及在执行开始前组织研究备选路径。其技术作用是使候选假设足够有依据、可操作化和可比较，以便于下游测试。
• 实验与工具使用。 科学声明只有在暴露给可执行、计算或经验环境时才获得抗性。这一阶段包括实施、环境调用、工具路由、协议实施、执行时修订，以及处理由代码、工具、模拟器、仪器或实验室设置生成的中间输出。其技术作用是通过将声明与能约束、细化或使之无效的环境耦合，将工作流推离思辨推理。
• 反馈、验证与评审。 单独执行并不产生科学进步，除非输出被检查、挑战、修订或拒绝。这一阶段包括重跑、基线比较、错误检测、不确定性揭示、评审者式批评、验证，以及其他决定结果是否应持续存在的机制。其技术作用是引入拒绝压力，并将较强的结果与较弱的结果区分开。
• 报告与知识传播。 最后阶段将工作流状态转化为可传播的科学产物。它包括起草、修订、图表生成、评审回应、产物打包，以及声明、证据、代码和溯源之间的显式连接。其技术作用是使输出作为科学对象保持可解释、可检查和可重用，而不仅仅是打磨过的文本。

合起来看，这些阶段定义了AutoResearch系统从辅助到执行和集成管线自动化的技术路径。更强的工作流自动化不仅需要检索工具或写作模块的存在；它需要一个工作流，其中依据为计划提供信息，计划指导执行，执行产生证据，验证施加拒绝压力，报告保留溯源和问责。这种耦合也解释了为何当常规人类验证仍然必要时，广泛的管线自动化对于成熟的AI主导自主性仍然不足。以下子节依次分析这些阶段。

阶段一：文献与研究依据

图6：文献grounding机制。图中比较了搜索中心、证据中心、结构中心和文献记忆四类模式，强调文献不只是检索入口，更是后续规划、执行和验证可复用的证据状态。 文献与研究依据是AutoResearch的第一个主要技术阶段，因为工作流的每个后续部分都取决于先前工作如何被访问、过滤、表示、修订和重用。在科学研究中，这一阶段不可简化为通用的检索前端。它建立了假设被提出、实验被设计、结果被解释和报告被编写的证据基础。最近的综述工作日益将文献处理视为研究生命周期的一个基础部分，而非外围的信息访问工具，正是因为这一阶段的弱点会传播到工作流的每一个下游组件。核心技术问题因此不仅是系统能否找到相关论文，而是能否构建一个在研究演进时保持可用、可检查和可更新的科学上下文。 这一阶段包括远超出搜索本身的一系列操作。它涵盖查询构建、文档检索、重排、总结、引用处理、声明提取、证据比较、矛盾揭示、关系构建，以及将先前工作组织成能支持后续推理的形式。在一些系统中，这一依据层保持相对轻量，主要作为局部搜索和综合支持；在其他系统中，它成为一个更强大的证据环境，将声明连接到来源，保留中间证据状态，或在方法、数据集、结果和局限性之间结构化关系。这一阶段的技术目标因此是将原始文献访问转化为工作流相关的科学依据：后续阶段不应单独操作于自由漂浮的模型先验或压缩摘要之上，而应操作于保持可追溯、可修订且足够结构化以约束计划、执行、验证和报告的证据之上。 图6总结了当前系统中反复出现的主要依据机制，以下讨论考察了这些机制在证据强度、持久性和工作流整合方面的差异。当前的依据技术可以分为四种反复出现的机制：搜索中心、证据中心、结构中心和文献记忆依据。这种区分强调了检索强度本身不是全部，而是检索到的材料如何被表示、保存和作为可用的科学证据在工作流中传播。

• 1) 搜索中心依据。 这是最轻量也是最广泛的机制。其工作流通常组织为：查询构建 → 检索/重排 → 摘要压缩 → 局部科学上下文构建。LitLLM是这里最清晰的锚点：它从一个查询摘要中检索论文，对其进行重排，并生成一个基于依据的相关工作部分。STORM在多视角模式中遵循类似阶段，通过提出不同角度的深入问题并综合基于依据的书面输出。搜索中心机制的关键限制是后续阶段不能轻易遍历、质疑或拆分到证据层面。上下文主要作为综合和框架的输入，而不能在假设形成、实验设计或验证中系统性地引用或修订。
• 2) 证据中心依据。 更强大的机制是证据中心依据，其中检索输出被处理为明确的证据片段，这些片段被链接到特定声明。工作流通常包括：科学查询 → 段落检索 → 声明分解 → 证据分类账 → 引用支持的推理。PaperQA2是这一方向的代表：它从科学语料库中检索段落，提取证据性的支持或反驳，并将这些证据分类账链接回源段落以支持基于引用的答案和推理。OpenScholar遵循类似的证据中心结构，结合了检索、重排和声明级证据集成，以进行基于文献的综合和问答。与搜索中心机制相比，核心区别在于工作流状态包含了明确的、可引用的单位知识，支持下游系统输出引用支持的推理而非仅基于来源综合的文本。它还包括指向原始文献源的跟踪，通过减少不基于证据的声明来提高工作流的可审计性。
• 3) 结构中心依据。 证据中心机制提升到关系级理解。搜索中心机制检索文档，证据中心机制构建声明-证据对，而结构中心机制将文献提取为关系网络。工作流包括：检索语料库 → 实体/概念提取 → 模式/本体对齐 → 科学关系图 → 空白/矛盾说明。这些关系可以是方法-数据集-结果三元组、基准性能比较、间隙-局限性对应，或跨论文的声明关系（如支持、对比、构建于、使用相同数据集）。SciAgents通过跨论文结构化关系使关系提取成为假设构成和构思的一部分。结构中心机制提供了在概念层次探索文献的能力，识别跨多个来源的间隙、矛盾、迁移和依赖关系。然而，在实践中，关系的忠实性和覆盖范围仍有限，特别是在高度专业化和快速演进的科学子领域。
• 4) 文献记忆依据。 结构中心机制延伸到文献记忆，其中经过筛选的论文、证据卡片、关系、间隙和边界说明被巩固成一个可重用的知识库。工作流框架包括：筛选论文 → 证据卡片提取 → 元数据/引用链接 → 间隙和边界说明 → 可重用文献记忆。文献记忆在跨多个工作流运行或阶段的研究中特别有价值，因为依赖经常重复。The AI Scientists、AI Scientist-v2和AI-Researcher将文献记忆构建为持久结构，用于构思、实验管理和论文写作。文献记忆机制的关键优势在于下游阶段可以逐步依赖累积的结构；证据不会随每次查询重新开始。然而，维护、更新和保持证据完整性在跨论文和跨时间运行时仍构成重大挑战。

阶段二：假设形成与计划

假设形成和计划是AutoResearch的第二个主要技术阶段，因为基于依据的上下文必须转化为候选科学方向，这些方向足够具体以指导行动，但也足够灵活以允许搜索、比较和修订。当前的系统在假设来源、表示和生成过程方面差异显著，产生了四种反复出现的机制：基于检索的假设生成、基于结构理解的假设生成、基于约束优化和执行的计划生成、以及可验证假设生成的集成循环。

• 1) 基于检索的假设生成（假设作为文献综合）。 机制一是假设通过新的、基于文献的综合隐含产生。假设没有以声明形式明确表示，而是通过研究总结隐含形成。虽然看似简单，但这种方法在高度动态或快速变化的领域中有实际用途，其中即使当前边界是什么的简单综合也提供了有用的新视角。然而，这种机制将假设生成与验证和实验耦合在一起，使得实验设计和假设测试与文献综合难以区分。
• 2) 基于结构理解的假设生成（假设作为图间隙）。 机制二以结构理解编码假设。输出是在关系网络中标记、识别或基于全局属性的间隙。SciAgents跨论文运行关系提取以生成关系图，然后通过概念级推理识别间隙区。结构中心假设生成提供了更明确的理由：为什么一个假设是新颖的，它可以被关系图中的间隙所支持。然而，间隙识别方法往往受益于额外的领域知识和详细的覆盖范围，以避免过低分量的新颖性声明。
• 3) 基于约束优化和执行的计划生成（假设作为可执行计划）。 机制三将假设主要编码为可执行计划。假设被编码为潜在的行动序列，每个行动旨在提取受控结果。HypER是这种方案的代表，它产生基于文献的假设、实验细节和预期结果。Agent Laboratory代表了工作流级计划模板的兴起：系统分解任务并产生可执行计划，然后由下游执行环境消耗。在这种机制中，假设形式化是一个挑战：并非所有方向的约束都是预先设定的。
• 4) 可验证假设生成的集成循环（假设作为可测试且可验证的方向）。 机制四将假设生成与测试和验证循环耦合起来。The AI Scientist-SP (科学协议) 是一个代表：它首先生成基于科学文献的假设，然后指定可执行的实验计划，然后通过代码和模拟器执行实验。AI Scientist-v2通过基于证据的评估和世界奖励的明确过滤器进一步扩展了这一循环。这种方案将假设生成定位为连接所有后续阶段（从依据到实验到验证到报告）的核心循环。

阶段三：实验与工具使用

实验和工具使用是AutoResearch的第三个主要技术阶段，因为科学主张只有通过暴露于计算或经验环境才能获得说服力，让研究人员比较指标、检验错误并修正或拒绝方向。当前系统在环境的复杂性、工具的范围、自动化的程度以及与环境失败的处理方式上差异显著。

• 1) 代码执行驱动实验。 最成熟的实验环境形式是代码执行。这是许多AI for Science系统的基础，因为代码提供确定性的、可重放的中间输出。测量自动化程度的有用方法是将这些系统映射到代码执行能力的层级上：原始代码接口（将代码视为高级文本生成）、单步代码执行（计划-执行-观察循环）、多步代码执行（多个代码和工具与条件逻辑链接在一起）、完整的环境交互（通过容器化环境进行多步骤实验）。
• 2) 物理代理和机器人实验。 物理代理实验在化学、生物学和材料科学等需要物理操作的领域中尤为重要。这些系统连接了LLMs，机器人硬件和传感器输入，允许AI系统在实验室环境中提议和执行实验，但通常仍处于人的监督下。
• 3) 虚拟实验室和模拟。 虚拟实验室环境，如Virtual Lab，允许在运行实验之前模拟实验。这些环境降低了运行昂贵或危险实验的风险。例如，Coscientist在化学领域使用了一个虚拟实验室来模拟化学实验，从而避免了物理限制。

阶段四：反馈、验证与评审

反馈、验证和评审是AutoResearch的第四个主要技术阶段，因为仅靠执行并不能带来科学进步，除非输出也经过检查、挑战、修订或拒绝。这个阶段至关重要，因为它引入了拒绝压力，并将科学工作流从简单的输出生成转变为自我纠正的循环。当前系统在这个领域表现最弱，主要瓶颈包括：缺乏严格的验证方法、缺乏对正确结果的稳健判断、对薄弱方向的持久拒绝做得不够，以及对自我纠正的过度依赖。

• 1) 执行时自我纠正。 最即时的验证形式是执行时自我纠正，其中系统自动检测错误并发起纠正。这通常通过运行时环境、代码解释器和模拟器的反馈发生。对于代码相关任务，这是一个相对成熟的方向，许多编码代理（如OpenHands）都包含冗余的运行时验证作为工作流的一个正式步骤。
• 2) 反思和弱点检测。 反思框架明确地执行自我验证步骤，其中模型生成对自身输出的批评。虽然这种方法对语言模型在更广泛任务上的性能产生了可测量的改进，但在科学研究背景下其局限性逐渐显现。模型生成的反思倾向于接受结构上可靠但不一定在科学上有说服力的结果。
• 3) 科学评审。 更复杂的机制试图模拟同行评审过程本身。The AI Scientist包含一个自动评审者，评估论文的新颖性、有效性和清晰度。然而，在这些系统中，自动评审的可信度仍然是一个开放性挑战。

阶段五：报告与知识传播

报告和知识传播是AutoResearch的第五个主要技术阶段，因为科学工作流程的最终产品是传播性产物：论文、报告、演示文稿和数据集。这一阶段的目标是将工作流状态转换为可传播的科学产物，这些产物对读者保持有意义、可解释和可操作。

• 1) 基于模板的论文生成。 最简单的写作方法越来越多地包含自动论文起草。许多AutoResearch系统使用预定义或脚本化的论文结构，根据从早期阶段提取的数据填充部分。这允许快速生成结构化文档，但灵活性有限。
• 2) 根据研究状态生成文本。 更灵活的系统根据完整的研究状态（数据、图、源代码、运行日志、结果）起草手稿。AI Scientist-v2使用这种端到端方法，在实验和验证后起草完整手稿、参考文献和图表。
• 3) 对同行评审的修订和响应。 传播的最后一英里涉及准备手稿以供正式提交、对同行评审的回应以及复制。像Robin、Kosmos等系统开始整合这些功能。

4 Evaluation of AutoResearch / AutoResearch的评估

评估AutoResearch不仅是测量任务完成程度，还要评估工作流程的稳健性、产出的质量和科学发现过程的可靠性。

自动研究谱系中的评估负担

评估负担随着工作流程步调而增加。L1辅助系统的评估相对简单：它通常测量速度和准确性。L2系统的评估开始强加特定工作流程的功能：执行的正确性、代码的可用性以及编译文档的准确性。然而，L3和L4系统的评估越来越评估科学成果：产出假设的新颖性、实验的有效性、结果的可靠性和工作流程的可追溯性。

科学质量与自主性评估

图11：AutoResearch的科学质量维度与证据工具。论文将评估拆解为新颖性、有效性、影响、可靠性和可溯源性五个维度，并匹配基准、专家评审、复跑和工件追踪等证据工具。 论文提出五个评估维度，用以评估AutoResearch系统的科学可信度。

• 新颖性（Novelty）： 想法、假设、方法和方法的原创性。评估系统的产出是否在真正推进知识边界。
• 有效性（Validity）： 方法、结果和结论的正确性。评估产出的科学正确性。
• 影响力（Impact）： 成果在科学、社会和实践应用中的潜在或实际影响。评估产出的有用性。
• 可靠性（Reliability）： 系统在不同运行、环境和条件下产生可重复结果的稳健性。评估系统是否一致且稳定。
• 溯源（Provenance）： 数据、工具、决策和成果的可追溯性。评估产出是否可审计和可理解。

这些维度不是独立的任务指标，而是共同评估工作流级产出的科学完整性。它们还提出了不同科学领域之间不同的门槛要求。

评估工具与基准图景

AutoResearch的基准和评估基础架构正迅速增长，以跟上能力的提升。虽然该领域缺乏一个通用的工作流基准套件，但出现了几个有影响力的工具。

• ResearchBench： 将科学发现重新定义为一系列可分解的基准任务。它包括项目规划、基准选择、实验执行和结果分析等任务。
• AIRS-Bench： 将评估推向综合型研究智能体。它包括跨不同科学领域的规划、工具使用和推理基准。
• FIRE-Bench： 专注于全周期再发现任务。它评估系统从数据和文献到发现和验证的循环能力。
• How Far Are AI Scientists from Changing the World? 这个视角尖锐化系统抱负和科学影响之间的差距，并定义新的基准来测量科学影响。

5 Domains of AutoResearch / AutoResearch的领域

图12：不同领域的AutoResearch自主性上限。计算与形式科学当前最接近高自主性，物理、化学、材料、生物、医学、社会科学、地球科学和具身智能则受到实验成本、可观测性、因果有效性和可审计性的不同约束。 AutoResearch的实际天花板具有强烈的领域条件性：更高的自主性在某些领域目前更可信，而在其他领域则严重受限。本节分析了AutoResearch在八个主要科学领域的部署现状。

计算与形式科学

计算和形式科学包括计算机科学、统计学、数学等领域。这些领域是AutoResearch目前最成功的领域。这些领域的产物本质上通常是可执行的：想法、程序、代码、仿真、证明、形式逻辑。这允许快速、自动化的验证和迭代。Reprozip、OpenHands、SWE-agent 等系统展示了高度可靠的单步和多步执行。因此，这些领域的系统可以达到L2-P甚至L3的迹象。关键优势在于自动化反馈循环。

物理科学与工程

物理科学与工程包括物理学、机械工程、土木工程等领域。这些领域面临更高的延迟反馈。物理实验往往更慢、更昂贵，并且更难完全数字化。机器人实验室和自动化实验平台如A-Lab展示了有限的自动化，但通常仍需要大量的人类设计和验证。这些领域目前主要处于L2-S和L2-I。

具身智能

具身智能，特别是指机器人学和自主系统，向AutoResearch提出了独特的挑战。这些领域依赖于现实世界的物理交互，这需要感官反馈、执行器协调以及对不确定环境的鲁棒性。目前，研究主要集中在L1和L2-S级别。

化学与材料

化学和材料科学是AutoResearch增长最快的领域之一。机器人实验室（如A-Lab、Coscientist）展示了在机器人硬件和AI引导下的自主合成。这些领域正从L2-S快速过渡到L2-P。

生物学与生物医学

生物学和生物医学显著受益于AutoResearch，特别是在基因组学、蛋白质组学和药物发现领域。AlphaFold在此产生了重大影响。然而，验证和反馈延迟很高，特别是涉及湿实验室实验。这些领域目前主要处于L1和L2-S。

医学与临床研究

医学和临床研究受伦理和监管高度的制约，对问责要求极高。由于高风险，AI辅助通常被限制在L1或L2-I级别，并需要强大的人类验证。

经济学与社会科学

经济学和社会科学面临独特的挑战，因为它们的证据通常是不确定的、异质的，并且难以通过传统实验验证。AI辅助目前的角色是增强现有研究，而不是替换关键方法。这些领域主要处于L1。

地球与环境科学

地球与环境科学利用自动化的数据分析、遥感和预测建模。这些领域的反馈延迟高，因为预测误差可能需要数年才能显现。目前的部署处于L1和L2-S。

6 Discussion / 讨论

本节将综合研究结果，识别关键差距，并提出关键的开放性问题。

重新思考自动研究的能力

AutoResearch当前的能力不应该被误解为已经实现的自主性。最先进的系统目前被正确归类为L2-P，而不是L3。这个区别很重要，因为它避免了将流程广度误认为科学自主性。

自动研究的评估

AutoResearch缺乏黄金标准基准。尽管新颖性、有效性、影响、可靠性和溯源等维度提供了一个结构化的框架，但可靠和自动化的评估仍然难以实现，特别是在科学新颖性和影响力方面。

泛化差距：超越计算与形式科学

AutoResearch的表现高度依赖于领域。在计算和形式科学中，由于快速的反馈、可执行性、低成本和高结构化，高度自动化是可行的。在物理科学、生物学和临床环境中，由于高延迟、高成本、异质证据和伦理约束，自动化仍然有限。

自动研究的可靠性、可信赖性与可审计性

AutoResearch面临着可靠性挑战。输出中仍然存在幻觉、错误和科学有效性未知的倾向。此外，可审计性至关重要，以确保结果能够被人类审查。

伦理与社会影响

AutoResearch的兴起引发了一些重要问题。这些包括：谁对AI生成的科学成果负责？AI研究如何影响科学过程的完整性？AI研究是否会导致误解？答案取决于AI如何被部署——是作为辅助、执行者还是主导协调者。

7 Conclusion / 结论

本综述提出了AutoResearch作为AI驱动科学工作流自动化的一个演化概念。我们提出了五级自主性谱系（L0-L4），涵盖了从人类中心到完全自主的科学工作。通过工作流条件（文献依据、假设形成、实验、验证和报告）对此进行了结构化，并且评估了科学质量维度（新颖性、有效性、影响、可靠性和溯源）。我们的分析表明AutoResearch的自主性有强烈的领域条件性。虽然系统正在LLM、编码和环境交互方面取得进展，但它们主要处于L2级别，而L3仍是一个已经界定的前沿。 这个领域将从对AI任务性能的关注转移到更严格的科学工作流质量和系统性的评估。信任、可审计性以及不同领域差异化的自主性天花板仍然是关键的研究方向。

原文信息

英文题目： AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery 作者： Guiyao Tie, Jiawen Shi, Dingjie Song, Yixiao Huang, Ziji Sheng, Xueyang Zhou, Daizong Liu, Pan Zhou, Yongchao Chen, Ran Xu, Lifang He, Qingsong Wen, Manling Li, Cong Lu, Shuai Li, Pengtao Xie, Yixuan Yuan, Rui Meng, Lei Xing, Lichao Sun, Caiming Xiong, Philip S. Yu, Jianfeng Gao arXiv ID： 2605.23204 类别： cs.AI Comments/项目信息： 49 pages, 12 figures, 10 tables 原文链接： http://arxiv.org/abs/2605.23204v1