Vibe Coding到AI自动化科研：Agent如何重塑科研流程

AI编程正在从"辅助写代码"走向"接管实验流程"。B站UP主钱韵在一期分享中，把这条演进路径拆成了三个层次：Vibe Coding（氛围编程）、Coding Agent、以及多Agent协作的科研自动化。这个框架值得认真对待，因为它回答了一个很多人关心的问题——AI到底能在科研里做到哪一步，人又该守住哪些位置。

从Vibe Coding说起：描述需求，代码交给AI

Vibe Coding的核心是把"写代码"变成"说需求"。过去做一个深度学习项目，你得先学编程语言，再一行行写模型代码、训练脚本、数据预处理逻辑；现在只要把需求描述清楚，AI就能生成对应代码。UP主在视频中强调，这不等于不需要学编程——理解的门槛还在，只是从"会写"降到了"能看懂"：知道代码在做什么、算法逻辑是什么，就够用了。

这里有个容易被忽略的区分：对话机器人和Coding Agent不是一回事。ChatGPT、Claude、DeepSeek^广告这类是对话机器人，你问它答；而Codex、Claude Code这类Agent工具能接管电脑，根据数据做分析、生成项目代码、执行具体步骤。换句话说，对话机器人给建议，Agent交结果。这个差别决定了后面科研自动化能做到什么程度。

Coding Agent 与普通对话机器人的技术差异，核心在于工具调用（tool use）与执行环境。对话机器人只能输出文本；而 Agent 被赋予了对本地文件系统、终端、浏览器、API 的访问权限，能在“感知—规划—行动—观察”的循环中迭代：读取数据文件、运行 Python 脚本、查看报错、修改代码再重跑。业界常把这种架构称为 ReAct（Reasoning + Acting）或 Plan-and-Execute 模式。Codex、Claude Code 这类工具正是把大模型的推理能力与沙箱执行能力绑定，因此才能“交结果”而不只是“给建议”。理解这一点，就能明白为什么 Agent 的可靠性高度依赖沙箱隔离、权限控制与可回溯的日志——这也是科研场景下使用 Agent 时必须关注的工程前提。

Agent为什么适合科研：重复劳动才是真正的痛点

传统科研流程链条很长：提出问题、查文献、定方向、找数据、预处理、建模训练、分析结果、写论文。UP主指出，其中大量环节是重复性的——信息检索、代码编写、数据预处理、实验重复跑。这些恰好是Agent擅长的部分。

具体来说，Agent可以介入的环节包括：文献调研与总结、数据分析和训练脚本构建、跑通完整实验、生成结果表和对比图、以及数据的整理检查。注意这里的定位是"辅助"而非"替代"——Agent把重复劳动接过去，研究者腾出时间做判断。

多Agent协作与科研自动化的早期证据

视频提到了多Agent分工的思路：一个Agent查文献，一个提出假设，一个找证据，一个做实验，联合完成科研任务。这个方向并非空想，UP主引用了一篇三月份发表的研究作为支撑（原文提及为"Later"相关文章，具体出处建议以UP主评论区资料为准）。

工具层面可以做个粗略分类：文献搜索类工具、通用对话类工具、专门的Coding Agent（如Codex、Claude Code）、以及自动化科研类Agent。另外还有"Skill"的概念——把特定技能喂给Agent，让它针对某个领域做精准输出。

多 Agent 协作的常见组织方式有三类：流水线式（前一个 Agent 的输出作为后一个的输入，如检索→假设→实验→写作）、辩论/评审式（多个 Agent 给出方案后相互质疑、投票收敛）、以及规划者—执行者式（一个 Orchestrator 拆解任务并分派给专职 Agent）。支撑这类设计的理论直觉是“角色 specialization 降低单点上下文负担”，但也带来新问题：错误会在 Agent 之间级联放大、token 成本成倍上升、以及难以定位失败环节。因此多 Agent 系统通常需要引入验证 Agent 或人工检查点。所谓 Skill，可理解为封装好的、可复用的领域能力模块（提示词模板、工具函数、检查清单的组合），让 Agent 在特定任务上表现更稳定，而不必每次从零推理。

提示词是新的科研基础设施

UP主整理了一套深度学习方向的提示词体系，覆盖项目从零搭建、数据分析、模型训练、优化调参、论文复现与写作。核心观点是：合理的提示词能让Agent把项目完成得更完善，同时节约token。这不是玄学——提示词本质上是把研究意图结构化地传达给Agent，意图越清晰，返工越少。

提示词工程在科研场景中的有效做法，通常包括几个要素：明确角色与目标（你是一个协助复现论文的研究助手）、给出输入规范与输出格式（要求返回可运行的脚本、指定目录结构、以表格形式给出对比结果）、设定约束与验收标准（不得使用某数据集、必须报告随机种子与运行环境）、以及分步拆解（先出方案再写代码，逐步确认）。这与软件工程中的“需求规格说明”高度同构——提示词写得好，本质是把模糊的研究意图转译成可执行、可验证的规格。此外，为 Agent 提供项目级上下文文件（如说明实验约定、目录结构、常用命令的文档），往往比在单次对话中反复解释更节省 token，也更利于跨会话的一致性。

人机分工：AI做重复，人做判断

视频里有一句判断很直接：AI替代不了科研人员。分工逻辑是——AI擅长重复性工作（写代码、总结文献、简单数据分析），人负责不可替代的部分：研究问题是否有价值、创新点是否成立、实验怎么设计、以及最关键的，判断AI给出的结果是否可信。

这也回应了"AI时代该学什么"：重点转向会用AI和Agent工具解决问题，同时保留看懂输出的能力。从对话机器人告诉你"怎么做"，到Agent帮你"做完"，角色变了，但判断权始终在人手里。

写在最后

这条演进线的实质，是科研工作中"执行"与"决策"的进一步分离。Vibe Coding降低了执行门槛，Agent接管了执行过程，但问题定义、实验设计和结果验证这三件事，仍然是研究者的核心工作。工具越强，判断力的价值反而越高。