把旧论文交给 AI 重做，跑上 42 次实验，能得到什么？旧稿的主线已经很明确：自动科研不是不能用，而是很好用的部分集中在可拆解、可验证、可回滚的环节；一旦走到研究判断、实验编排、结果取舍这些位置，人还是得回来兜底。

新线索提供的补强，不是又来一个“AI 能写代码”的例子，而是把旧稿里一个隐性的瓶颈挑明了：当你不再只用一个模型，而是同时让多个 AI 代理去读论文、改代码、补实验、整理文档，混乱增长得往往比产出更快。问题开始从“单个 AI 能力够不够”转成“多代理流程怎么管”。

这个变化很重要。它让自动科研的讨论不再只盯着模型智力，而是回到一件更工程化的事：如果未来的研究工作越来越像“一个研究者带着一组 AI 实习生”，那真正决定效率上限的，可能不是最强的那个模型，而是谁能把这些代理的任务边界、状态、修改记录和人工介入点安排清楚。

旧稿谈的是能力边界，新线索补上了“组织边界”

旧稿的结论偏向能力论：42 次实验说明，AI 在重复性科研劳动上有甜头，但很难独立穿过研究流程里的不确定区。这个判断没问题，但新线索把另一个现实问题补得更完整——很多时候，不是 AI 完全不会做，而是人在管理这些 AI 产出的过程中被拖慢了。

在软件开发里，这个问题已经很具体了。一个代理修 Bug，一个代理重构模块，一个代理改文档，分支切换、stash、终端标签页、冲突排查，全都压到人身上。Baton 这类工具抓的就是这个痛点：不是替代理写代码，而是把每个代理放进独立 worktree，给它单独的分支、状态面板和 diff 视图，让人知道谁做完了、谁卡住了、谁需要拍板。

把这个观察搬回自动科研，映射关系其实很直接：

  • 一个代理负责复现实验环境
  • 一个代理负责重跑基线模型
  • 一个代理负责改写方法描述和图表说明
  • 一个代理负责整理日志、输出对照表
  • 人类研究者在中间审阅、比较、叫停、回滚

旧稿更强调“AI 单点能力的上限”，新线索补强的是“多代理协作的管理成本”。两者放在一起，自动科研的天花板就更清楚了：不是某个步骤不能自动化，而是步骤一多、代理一多、分工一细，协调成本会迅速吞掉前面的效率红利。

真正稀缺的不是生成速度，是可见性和审计能力

新线索里最有价值的一点，是它把“并行”与“可见性”区分开了。手动多开几个终端、建几个分支，理论上也能并行；难的是你得时刻知道每个代理改了什么、做到哪一步、在哪个地方出了错。

这对自动科研尤其关键。因为科研场景里，审计往往比生成更重要。

旧稿讲 42 次实验时，重点落在 AI 是否能给出可用结果。新线索提醒我们，还要追问另一件事：你有没有能力低成本地检查这些结果是怎么来的。科研里最怕的不是 AI 写得慢，而是它改了实验参数、动了预处理脚本、换了评估口径，最后论文文字看起来更完整，结论却已经悄悄偏了。

所以，自动科研想走出“演示很好看、落地很费劲”的状态，靠的不只是更强模型，还要补几类能力：

  • 状态汇总.哪个任务完成了，哪个实验失败了，哪个代理在等待人的决定
  • 修改可追踪.代码、数据处理、图表、文稿分别动了哪些地方
  • 差异可审查.任意两轮实验、两个代理、两个版本之间能快速比对
  • 回滚可执行.发现方向错了，能退回上一个稳定版本，而不是重来一遍
  • 责任可定位.错误来自模型幻觉、工具链问题，还是人的任务分配失误

这正是新来源相比旧稿额外补强的信息：旧稿更多是在看 AI 能不能帮研究者把活干完，新线索把焦点往前推进了一步——即便 AI 能干，人类也得有一套低摩擦的方式去监督、筛选和收口，否则实验次数越多，管理成本越像滚雪球。

自动科研正在进入第二阶段：从“单代理试用”到“多代理编排”

过去一段时间，很多人对 AI 科研或 AI 编程的想象都偏向单点突破：找一个足够强的模型，让它读文献、写代码、补分析、出结论。旧稿其实已经证明，这条路能省下一部分时间，但到复杂任务就会掉链子。

新线索提供的行业背景很有参考价值：AI 编程产品的竞争，已经从“谁更会写”转向“谁更能嵌进真实流程”。开发者不再只看模型演示，而是看它能不能在大仓库里改代码、补测试、遵守 Git 流程、支持 PR 审查。这个变化，对自动科研同样成立。

研究者接下来要面对的，可能不是“选哪一个最强助手”，而是“怎么把多个还不错的助手组织起来”。这和早期科研自动化工具的思路不一样。以前大家想的是找一个全能系统；现在更现实的方向，反而像分工协作：

  • 让一个代理做文献检索和摘要
  • 让一个代理写实验脚本和测试
  • 让一个代理画图、整理附录和补材料
  • 让人类保留问题定义、假设筛选和结果解释

一旦走到这一步，工作重点就会从能力采购转到流程设计。谁负责拆任务，谁负责隔离上下文，谁负责最终合并，谁负责定义“需要人工确认”的节点，这些都会成为自动科研系统的一部分。

这也是新线索最值得吸收的判断：AI 工具正在从模型中心，慢慢转到基础设施中心。对科研来说，这意味着未来真正有用的产品，未必是最会写摘要、最会补代码的那个，而是最能把实验记录、版本控制、审查节点、失败重试和人工决策整合顺的那个。

它能解决混乱，但解决不了研究判断

当然，把“调度层”补上，不等于自动科研的难题就消失了。新线索里也提到一个很现实的限制：多代理并行只是在组织上减少互相覆盖，不会自动减少任务之间的耦合。

这放到科研里，问题会更明显。几个代理分别去改同一套实验设计时，即便文件不冲突，研究判断也可能互相打架：

  • 一个代理为了提高指标改了数据切分
  • 一个代理为了提升可复现性删掉了某些启发式步骤
  • 一个代理按论文叙述去“修饰”结果呈现
  • 最终每个局部看起来都合理，整体却不再回答原来的研究问题

工具能隔离工作目录，不能替你做学术判断。它能告诉你谁改了哪几行代码，不能告诉你这个改动是否破坏了实验公正性。它能让多个代理各做各的，不能保证它们在方法论上是同一个方向。

这也是旧稿主线仍然成立的地方：自动科研的天花板，最后还是撞在判断、解释和责任归属上。新线索没有推翻这个结论，而是让它更具体：以前我们以为上限主要来自模型不够聪明，现在看，上限还来自流程没人收拾。

对不同人群，影响也不一样。

对独立研究者来说，多代理调度的价值最高。一个人本来就既要写代码又要跑实验，还要改论文，最容易被琐碎切换拖住。如果有一层能统一看状态、看 diff、做回滚，AI 才更像帮手，而不是额外负担。

对实验室和小团队来说，收益取决于任务是否可拆。基线复现、消融实验、文档整理这类工作适合并行；方法创新、研究假设修正、异常结果解释这类工作，仍然要由人集中拍板。团队越早把这条线画清楚，AI 产出越不容易失控。

对刚入门的研究者来说，新线索还提醒了另一点：底层如果还是 Git worktree、版本分支、日志和差异审查，这套系统天然更偏向有工程习惯的人。工具能把复杂性藏掉一部分，不能把理解成本抹平。自动科研若要真正普及，还得把“科研操作系统”做得比今天更容易上手。

旧稿还能往前走一步：把“返工论文”理解成一个调度问题

如果把旧稿里的 42 次实验重新看一遍，一个更完整的结论应该是：AI 带来的甜头，不只取决于模型能不能替人做研究动作，还取决于研究者能不能把任务拆到足够清楚、把代理管到足够有序、把结果审到足够透明。

这也是为什么新线索虽然来自 AI 编程工具，却能实打实补强旧稿。它没有带来新的惊艳能力，却提供了一个更现实的观察框架：自动科研不是一台更聪明的机器，而是一条更复杂的流水线。流水线一复杂，调度、可见性、审计、回滚就会和模型本身一样重要。

如果说旧稿回答的是“AI 返工旧论文，能帮研究者省下哪些体力”，那升级后的问题应该变成：“当多个 AI 一起返工时，谁来保证这些省下来的体力，不会在协调和收尾里再被吃回去。”

这比单纯争论模型强弱，更接近自动科研接下来两年的现实。我们看到的瓶颈，已经不只是生成质量，而是组织质量。