機器之心編輯部
「藉助 CodeAgent，我終於可以重新撿起很多過去因為精力不足而擱置的事情了，寫部落格就是其中之一論文。這篇部落格大概 1% 是我寫的，99% 是 Agent 寫的 😂」。
剛剛，DeepSeek 研究員陳德里（Deli Chen）在 X 上分享了一篇由 AI Agent 深度參與完成的文章「From Copilots to Colleagues: A Survey of Autonomous Research Agents」論文。
文章地址：
陳德里也特別說明，這篇文章更多是一次興趣驅動的嘗試：一方面是出於好玩，另一方面也是為了測試自己開發的 DeliAutoResearch 技能論文。因此，它並不是一篇嚴格意義上的學術論文，文中觀點也僅代表個人，不代表任何公司或組織立場。
這篇論文一共迭代了 6 輪（V1：4 輪，V2：1 輪，V3：1 輪），V1 初稿耗時 76 分鐘，總耗時 6 天論文。大約經歷了 108 輪 Agent 互動，消耗約 64.8 萬 tokens，LaTeX 共 2234 行。
展開全文
103 篇參考文獻，全部已核驗論文。篇幅從 45 頁增加到 46 頁。包含 7 張圖和 4 張表。現在論文一共 46 頁，檔案大小 538KB。😂
完成這篇文章後，陳德里也由此丟擲了一個頗有意思的判斷，他形容為個人暴論：Code Agent 正在讓電腦科學論文發生瘋狂通脹 —— 過去同樣的工作，至少要花一個月論文。
陳德里表示，在這個過程裡真正動腦消耗的「總 CPU 」時間：不到 2 小時論文。
簡單介紹一下，第一作者陳德里來自 DeepSeek，是 V1、V2、V3、V4、R1、DeepSeek-Coder 和 DeepSeek-MoE 架構的核心貢獻者之一論文。他還曾在世界網際網路大會上代表 DeepSeek 發言。
部落格地址：
另外兩位「合著者」，一位是 DeepSeek-V4-Pro，一位是 GPT-Image2—— 前者負責文字，後者負責影像論文。
也就是說，這篇論文字質上是陳德里用 AI 寫了一篇關於 AI 做科研的綜述論文。這個設定也是一個重要的實驗：陳德里搭建了一個他稱為「Deli AutoResearch SKILL」的自主科研智慧體框架，這篇 45 頁的文章的部分內容正是用它生產出來的。此外，他還在論文中宣告：這篇綜述是他以「個人研究專案」名義釋出的，觀點不代表任何公司立場。
研究者本身成為了研究物件論文。這件事意味著什麼，論文的其餘部分會慢慢說清楚。
綜述覆蓋了超過 95 篇論文，系統分析了 17 個主流系統，試圖為一個混亂生長的領域第一次畫出清晰的地圖論文。這個領域叫做「自主科研智慧體（Autonomous Research Agents）」：給 AI 一個科研目標，它能獨立完成從假設提出、實驗設計、程式碼執行、結果分析到論文撰寫的完整迴圈，全程無需人類在每一步審批。
這已經不是設想論文。就在過去 18 個月裡，衡量軟體工程能力的 SWE-bench 基準上，AI 解決真實 GitHub 問題的比率從不足 5% 攀升至 70% 以上；有系統以每篇 15 美元的成本產出完整學術論文並透過了人類初審；還有系統在無人引導的情況下，發現了超越已知邊界的新數學構造。
AI 正在從「研究工具」變成「研究者」本身，速度之快出乎所有人的預料論文。
背景：「副駕駛」還是「同事」論文？
要理解這場變革的意義，不妨先想象一位傳統的科研助理：給他一個課題，他能幫你檢索文獻、整理表格、執行程式碼論文。但你需要告訴他每一步怎麼做，他遇到問題會停下來等你指示，他不會主動思考「接下來研究什麼更有價值」。
這是過去幾年 AI 扮演的角色 —— 副駕駛（Copilot）論文。方向盤，始終在人類手裡。
現在正在發生的是一場「交權實驗」論文。新一代智慧體系統正在嘗試獨立完成完整的科研迴圈：提出假設、設計實驗、執行程式碼、分析結果、撰寫報告，甚至自我審閱和迭代。從頭到尾，無需人類在每一步批准。
這種轉變有多快？研究者們描述它「迅速而決定性」：短短 18 個月，便從工具進化到了同事論文。
但「同事」的含義也差別懸殊論文。有的系統只是能跑完一段程式碼不報錯；有的則可以在機器人實驗室裡獨自合成化合物。要給這片混亂的版圖建立秩序，需要一套統一的語言。這正是這篇綜述的核心貢獻。
核心貢獻一論文：為「自主程度」建立五級分類
這篇綜述最重要的貢獻是提出了一套 L1 至 L5 的自主等級分類體系論文，類比汽車駕駛自動化的 SAE 標準：
L1（自動補全），是最常見的狀態論文。GitHub Copilot、各類程式碼補全工具都在此列。AI 預測下一行程式碼，但你掌控一切方向。生產力提升約 30% 至 55%，代價是毫無自主性。
L2（任務執行），是現在大多數人用 ChatGPT、Claude 日常互動的層級論文。AI 能分解任務、呼叫工具，但每一步都需要你點頭認可。你是策略決策者，AI 是執行者。
L3（多步自主，設有檢查點），是當前主流「智慧體程式設計工具」的位置 ——Claude Code、Cursor Agent 屬於這一層論文。AI 能在設定的檢查節點前獨立執行數十步操作，出了預定範圍才來找你確認。人類保持戰略監督，但不必過問每個細節。
L4（端到端全自動），是當前技術前沿論文。Devin、SWE-Agent、AI Scientist 都在這裡。給它一個科研目標，它能獨立工作數小時乃至數天，產出完整成果。你只需要在最後評估結果。綜述中分析的 17 個主要系統，最高均處於 L4。
L5（自主設定研究議程），目前仍是「願景」論文。這一層級的系統不只執行研究，還能自己選擇研究什麼問題、分配資源、在數週到數月的時間跨度裡持續積累知識。沒有任何現有系統完整實現了 L5，但一些苗頭已經出現：Google 的 Co-Scientist 具備部分自主假設生成能力，DeepMind 的 FunSearch 透過迭代程式搜尋發現了真正的數學新知。
這套分類描繪了一條清晰的演化路徑：從「幫你幹活」到「替你思考」，每一級之間橫亙著什麼樣的技術鴻溝論文。
核心貢獻二：四種架構模式的得與失
知道「系統自主到什麼程度」還不夠，還需要理解「它是怎麼做到的」論文。綜述歸納了當前主流的四種智慧體架構。
單智慧體迴圈，是最簡潔的形態：一個模型反覆「計劃 — 行動 — 觀察 — 反思」論文。像一位獨自工作的研究員，想好了就動手，看到結果再調整。好處是簡單可控，缺點是遇到複雜任務容易觸及上限。就像一個人同時負責所有工種，體力和注意力都會先撐不住。
多智慧體協作，相當於組建團隊論文。不同智慧體分工扮演不同角色，相互稽覈和補充。MetaGPT 走得更遠：它把標準作業流程（SOP）編碼進多智慧體協作中，就像一家軟體公司，產品經理、架構師、工程師、測試員各司其職，透過規範化文件交接，而非自由聊天。結果是任務完成率從 67% 躍升至 100%。
層級編排，是「管理者 - 執行者」模式的技術實現論文。一個高層智慧體分解目標、分配任務，多個專項子智慧體各自負責具體執行並彙報結果。Claude Code 採用這一架構：主智慧體維持全域性狀態和高層規劃，遇到檔案編輯或網頁搜尋之類的具體任務，便派出子智慧體獨立完成，避免無關資訊汙染主體判斷。
工具增強執行，是「給智慧體配備外部手腳」—— 程式碼執行環境、網路瀏覽、資料庫查詢、實驗室機器人控制介面……ChemCrow 整合了 18 種化學專用工具，讓模型從「知道怎麼回答化學問題」升級到「能真正操作化學流程」論文。化學問題的正確率因此從原始 GPT-4 的不足 30% 跳升至 75%。
這四種架構各有擅長，沒有哪一種全面碾壓其他論文。現實中最強大的系統，往往是將它們混合使用：層級編排負責統籌，工具增強負責執行，多智慧體協作負責質量稽覈，單智慧體迴圈負責具體推理。
核心貢獻三論文：六大未解難題
綜述最誠實的部分是直面這個領域仍無解的困境論文。
認知迴圈陷阱：智慧體陷入死迴圈 —— 反覆執行同一個失敗操作，卻意識不到自己在原地打轉論文。AutoGPT 因此聲名狼藉：進入無限迴圈是它最常被提及的缺陷。目前沒有通用的系統性解決方案，大多數「反迴圈」機制靠的是特定任務的手工調參。
上下文視窗限制：模型的「工作記憶」是有限的論文。一次長時間科研會話可能產生十萬個以上的詞元（token），超出視窗範圍的早期資訊便永久消失。層級編排能緩解這個問題，但仍難以真正實現跨會話的「研究記憶」。
新穎性評估：AI 產出的研究成果，如何判斷它是否真正新穎？引用量預測受社會因素干擾，語義相似度又無法區分「新穎」和「偏僻冷門」論文。目前能做到客觀驗證的，只有像 FunSearch 那樣用程式輸出量化衡量的極少數領域。
可重現性危機：同樣的系統、同樣的任務，每次執行結果可能大相徑庭論文。基準測試上的效能數字，標準差動輒達到 5% 至 15%。如何在隨機性和嚴謹性之間找到平衡，目前尚無定論。
安全與倫理：能自主設計化學合成方案的系統，同樣可能被引向危險化合物論文。這不只是「加一個過濾器」就能解決的工程問題，而是一個根本性的架構矛盾 —— 對益處有用的能力，往往和對害處有用的能力難以分離。
成本與可及性：解決一個 SWE-bench 任務的 API 費用，約在 5 至 50 美元之間；完整的科研流程則可能消耗數百至數千美元論文。最強大的基礎模型仍是專有的、昂貴的。如果自主科研能力只屬於資源雄厚的機構，那麼它加速的，也可能是科研不平等而非科研本身。
結語
綜述覆蓋了超過 95 篇論文，詳細分析了 17 個主要系統論文。結論清醒而審慎：當前最好的系統處於 L4，L5 仍是願景；程式碼類任務已有相當成熟的自動化能力，真正意義上的開放科學發現仍停留在演示階段。
論文的最後寫道：「L5 自主研究 —— 能夠自主制定長期研究議程的智慧體 —— 是一個『何時』而非『是否』的問題論文。研究社羣的任務是確保這一轉變伴隨著充分的理解、適當的保障，以及公平的收益分配。」
這句話出自一位參與構建了 DeepSeek-R1 的研究員和兩個 AI論文。他們共同寫下了這段對自身未來的警示。
這本身就是一件值得細想的事論文。
