59号学习汇｜Agent科研工作流手册|科技 |权限 |计划 |Agent |Skill |模式

59号学习汇

Agent科研工作流手册

活动回顾

11月8日，青研沙龙：让AI不止于回答：Research Agent科研实践与应用探索举行。

中国人民大学高瓴人工智能学院博士研究生叶舒齐、北京大学经济学院博士研究生张紫琪围绕AI Agent的技术原理、科研工作流与使用边界展开分享，现场交流踊跃，气氛热烈。

本文旨在助力大家熟练使用AI Agent进行科研，快来一起学习吧！

PART-1

认识Agent：从回答到行动

点击标题展开

01什么是Agent

Agent作为一种智能体，是在大模型的基础上多了一套harness的系统架构。大模型提供理解与生成能力，harness则负责将决策转化为工具调用和任务执行。因此Agent能够帮助我们处理具体的任务。

Agent能够直接推进目标

02Agent如何高效工作

Agent高效执行任务依赖明确的指令，研究者可以按这六项内容逐一说明：目标、背景、材料、约束、产物和验收标准。目标写清要解决的问题，背景交代任务缘由和使用场景，材料限定可用的文件与数据，约束说明不能做什么，产物约定交付形式，验收标准回答怎样才算完成。

多花几分钟写清任务说明书，能减少后续反复纠偏

03如何利用Skill进一步提高效率

Skill是任务说明文档，能够把一类任务的做法保存下来，减少重复说明。它适用于步骤固定、格式明确、结果可检验的任务。研究者可以通过对话框创建Skill，在Agent技能页面中配置，或直接使用他人开源的Skill。如，文献阅读Skill可以要求Agent按研究问题、方法、证据、局限和缺失信息整理，并明确标注无法确认的内容。

Skill将成熟方法和稳定流程沉淀为可复用能力

PART-2

四种Agentic设计模式

Agent的工作模式分为四种，既可以单独使用，也可以根据任务需要组合。

四种Agentic设计模式可以按任务需要组合使用

点击标题展开

01Reflection 反思模式

输出并自我批评。让Agent不断根据反馈迭代改进，让结果经历可检验的第二遍审视。以回归代码为例，检查缺失值、变量编码和统计假设，运行测试后依据失败信息修改。

反思模式：让Agent对自己的输出进行自我批评

02Tool Use 工具使用模式

调用工具来操作。Agent能够按需调用搜索、计算、读写和通信等工具完成实际操作。在下达指令前，需要思考它完成任务需要哪些工具。在实证分析时，Agent可通过检索工具查找文献，使用计算工具和读写工具调用Stata跑回归、保存表图，并一并交付代码、日志、报错和输出。

工具使用模式：调用外部工具完成任务

03Planning 规划模式

拆分步骤再推进。Agent能够拆解计划并逐步执行，但研究者需先审阅Agent给出的计划并补充想法，再允许执行。常见形式有：（1）Plan-then-Execute，列出完整计划再执行；（2）ReAct，每一步“Reason—Act”交替调整。以撰写文献综述为例，前者依次安排检索、筛选、精读和综述计划，后者根据每轮检索结果补充关键词或调整范围。

规划模式：拆解计划，逐步执行

04Multi-Agent 多智能体模式

多角色协助/辩论。让多个Agent扮演不同角色进行相互协作或辩论，防止陷入单一视角。典型配置包括提出者、批评者和仲裁者。以论文预审为例，可以设置作者Agent、审稿人Agent和编辑Agent，让它们围绕方法、证据和表达提出意见，提前发现论文不足，避免致命问题

多智能体模式：多个角色化的Agent相互协作或辩论

PART-3

把Agent放进科研工作流

点击标题展开

01事前明确权限边界

在Agent协助科研工作前，需要先明确其权限边界。如果不加限制，则可能误删文件、擅自改动代码，甚至造成敏感数据泄露。

因此，在Agent协助科研工作前，需要先明确其权限边界。默认从只读权限开始，允许Agent读取论文、数据和明确授权的目录，但不能修改原始材料；需要生成代码和图表时，可把权限升到可回滚的沙箱写入，并设置测试与人工审批；修改主分支、访问敏感数据、发送邮件或提交稿件等不应默认由Agent执行。

Agent协作的权限分级

02文献检索与研究选题

Agent 可辅助文献检索，但不可替代研究选题，选题判断、理论对话与学术品位仍需研究者亲自把关。

以Agent辅助阅读为例，把检索阶段拆成三步：第一，海量粗筛。明确研究主题，从海量文献中选出核心文献。第二，精读摘要。为选出的每篇文献各生成100字左右的要点。第三，生成“证据矩阵”。按“方法×数据×结论×局限”的维度生成表格，直观对比文献差异。

文献检索环节的Agent应用

03数据处理与代码执行

在实证研究中，写代码与跑数据需根据任务的风险等级来分配工作。

低风险操作：直接派发指令。对于机械性工作，直接下具体动作指令。如“帮我写一段Python代码，合并这几个文件夹里的CSV，统一字段名，并处理缺失值”。

中风险操作：逐步审查与验证。如遇到主回归代码复现、稳健性检验，让Agent先写代码，自己逐行审查，确认设定合理后再继续。

高风险决策：绝不外包。涉及“为什么选这个工具变量”“为什么筛掉这些样本”等决策，不要委托AI，最终判断必须自行定夺。

代码与数据环节的人机分工边界

04写作与成果展示

论文写作需由研究者主导，Agent辅助。研究者主导研究问题、核心主张、论证结构、证据与结论对应关系；Agent完成起草框架、润色表达、统一术语及检查格式等。

Agent也可制作成果展示，用自然语言聊出数字成果。研究者明确说明展示需求，即可生成项目网页、数字展览、交互图表或时间线等。

写作与成果展示的人机分工

05让AI辅助审稿，打破思维盲区

投稿前，可将Agent作为预审辅助工具，提前发现潜在问题。可尝试分三步操作：

首先，多角色审稿。Agent扮演不同角色（理论支持者、怀疑者、方法审稿人、独立复现者）提出质疑。

其次，回归原始数据核实。面对质疑，必须回到原始文献和真实数据，逐一核实批评是否成立。

最后，整合分歧与下一步计划。面对多角色预审给出的意见，核心在于发现关键分歧，并将其转化为后续的实证补充与稳健性检验计划。

多Agent预审：找出关键分歧与盲区

PART-4

AI使用规范与投稿前自查

点击标题展开

01明确人机分工与责任边界

Agent可以协助完成科研任务，但不能替代研究者判断结果是否可信，也不能承担相应责任。对于尚在学习阶段的新方法，研究者应先独立完成小规模任务，明确基本步骤后再使用Agent辅助；对于已经熟练掌握的重复性常规工作，方可逐步委托给Agent处理。涉及研究方向调整、危险操作或最终结论提交时，应进行人工审批。