这是之前的一篇： 氛围编程 Vibe Coding，讲述了从古法编程到氛围编程的转变。类似地，古法科研也应当向氛围科研进行范式跃迁。
以经典科研流程为框架，科研智能体的各环节可重新定位如下：
- 文献调研：由独立智能体持续滚动执行，根据课题关键词和阶段性成果自动更新检索策略，输出结构化知识图谱，并实时响应其他环节的即时查询需求。
- 头脑风暴：采用“发散‑收敛”双智能体对抗机制。发散智能体生成多样化假设，收敛智能体基于文献证据进行筛选。过程中可反向调用调研模块以验证初步想法。
- 方向论证：引入批判性思维智能体，独立扮演质疑者与辩护者双重角色，通过正反论点交锋评估方向的创新性与逻辑一致性。若未通过论证，则直接回溯至调研或风暴环节。
- 课题选择：基于创新度、可行性与资源约束三个维度构建多准则决策矩阵，由决策智能体消除主观偏差。支持多课题并行备选，避免单一方向阻塞整体流程。
- 制定计划：采用目标倒推的路径规划方法，将课题分解为可并行执行的子任务集，自动生成里程碑与甘特图，并通过轻量级模拟进行可执行性预检。
- 具体执行：由调度器协调多个专业智能体并行运作，覆盖代码编写、实验设计、数据采集与结果分析等任务。异步回传中间结果，遇错自动尝试局部修复。
- 监督考核：将质量管控嵌入每个关键产出节点，由评审智能体持续自检异常与偏离预警，通过 KPI 仪表盘可视化实时状态，自动决定继续、重试或回滚至前置环节。
- 最终汇报：产出结构化研究文档，包含图表自动标注与引用规范化格式化，同时生成可复现执行包及下一轮研究的种子假设。完成后自动触发新一轮文献调研。
上述编排的核心特征在于：全环节支持条件跳转而非单向流动，文献调研持续运行而非一次性完成，监督考核内嵌于执行过程而非末端独立节点，最终汇报作为循环起点而非终点。这一设计将线性任务链转化为适应科研真实工作流的动态协作图，在保留传统流程可视性的前提下，赋予智能体系统以回溯、并行与自我迭代的能力。
研究者可根据自身的科研风格和具体步骤，对上述环节进行个性化调整与优化。
具体实现可参考博文：
附流程示意图（AI 生成）：
附一张网图：
【说明：本站主要是个人笔记和代码的分享，内容可能会不定期修改。目前文章支持直接转载，引用或转载请注明出处：https://www.guanjihuan.com 。本站采用知识共享署名许可协议 CC BY】
