DeepSeek研究員讓AI自己研究自己！AI執(zhí)筆99%，6天搞定45頁論文

智東西
作者 程茜
編輯 李水青

DeepSeek和GPT合體寫論文了！

智東西5月27日報(bào)道，昨晚，DeepSeek資深研究員陳德里（Deli Chen）放出一篇他和Agent合寫的45頁論文，其中99%內(nèi)容都是CodeAgent所寫。

論文題目是《從Copilots到同事：自主科研智能體綜述（From Copilots to Colleagues：A Survey of Autonomous Research Agents）》，作者是陳德里、DeepSeek-V4-Pro、GPT-Image2。

陳德里還特意發(fā)了免責(zé)聲明：這篇論文絕非嚴(yán)謹(jǐn)學(xué)術(shù)論文、不代表任何公司或組織觀點(diǎn)，只是出于興趣以及順便測試下他搭建的DeliAutoResearch。

他透露，論文共迭代6次，耗時(shí)6天搞定，而初稿僅用了76分鐘。期間智能體累計(jì)運(yùn)行約108輪、消耗Token約64.8萬、LaTeX代碼共2234行，最終成品45頁，其中包含7個(gè)圖標(biāo)、4個(gè)表格，文件大小538KB。陳德里也不禁感嘆，同樣的工作以前至少需要一個(gè)月才能完成，而這次他本人的“CPU運(yùn)轉(zhuǎn)時(shí)長”不到2小時(shí)。

陳德里是DeepSeek-V1、V2、V3、V4、DeepSeek-R1、DeepSeek-Coder、DeepSeek-MoE架構(gòu)的核心貢獻(xiàn)者，他曾獲得北京大學(xué)信息管理學(xué)士學(xué)位及計(jì)算機(jī)科學(xué)碩士學(xué)位，曾在騰訊擔(dān)任微信AI研究員。

這篇論文梳理了機(jī)器學(xué)習(xí)、軟件工程、科學(xué)發(fā)現(xiàn)三大領(lǐng)域共計(jì)105篇相關(guān)文獻(xiàn)，陳德里稱已經(jīng)對這些文獻(xiàn)進(jìn)行了驗(yàn)證。其核心目的是為能夠自主開展研究的AI智能體提供統(tǒng)一的分析框架，主要有四項(xiàng)研究成果：

1、提出一套五級自主能力分級體系（L1–L5），層級從代碼自動(dòng)補(bǔ)全延伸至完全自主制定研究規(guī)劃，為各類系統(tǒng)的界定與對比提供規(guī)范的術(shù)語標(biāo)準(zhǔn)。

2、剖析了四大主流架構(gòu)模式：單智能體循環(huán)、多智能體協(xié)作、分層調(diào)度編排、工具增強(qiáng)執(zhí)行；同時(shí)搭建對比分析框架，評估各類架構(gòu)在可擴(kuò)展性、成本、穩(wěn)定性及人工監(jiān)管方面的優(yōu)劣取舍。

3、基于六維特征矩陣，對17款主流系統(tǒng)展開分析。研究結(jié)果表明，當(dāng)前前沿系統(tǒng)普遍處于L4級別（限定領(lǐng)域內(nèi)可完成多步驟自主執(zhí)行），而L5級別仍停留在目標(biāo)構(gòu)想階段。

4、梳理出六大核心待解難題：認(rèn)知死循環(huán)、上下文窗口限制、創(chuàng)新價(jià)值評估、結(jié)果可復(fù)現(xiàn)性、安全風(fēng)險(xiǎn)與使用成本，并針對每項(xiàng)難題給出具體研究方向。

其研究分析發(fā)現(xiàn)，實(shí)現(xiàn)L5級自主能力的核心瓶頸并非模型基礎(chǔ)性能，而是在于長效知識沉淀、可靠的自我評估能力，以及具備理論支撐的智能體架構(gòu)規(guī)模化方案三大難點(diǎn)。

不少開發(fā)者紛紛在陳德里的評論區(qū)下面求開源。

論文：https://victorchen96.github.io/auto_research_survey.pdf

一、當(dāng)前系統(tǒng)多為能獨(dú)立產(chǎn)出論文的L4級，已有系統(tǒng)展現(xiàn)出L5級特征

論文將自主研究智能體定義為：一類軟件系統(tǒng)，在接收到高層級研究目標(biāo)后，能夠獨(dú)立執(zhí)行科學(xué)探究的迭代閉環(huán)，包括假設(shè)生成、實(shí)驗(yàn)設(shè)計(jì)、執(zhí)行、分析與迭代優(yōu)化，且在執(zhí)行流程中僅需極少、甚至完全無需人工干預(yù)。

自主研究智能體的五級自主能力分級體系（L1–L5），是基于兩個(gè)維度：

一是智能體可對什么內(nèi)容獨(dú)立做出決策，二是智能體在無需人工審核介入的情況下，可持續(xù)自主運(yùn)行多久。

L1的典型代表是GitHub Copilot等代碼補(bǔ)全工具，這一層級中智能體可運(yùn)行單個(gè)token或單行文本，核心能力是對人類撰寫文本后續(xù)內(nèi)容的預(yù)測，且人類完全主導(dǎo)內(nèi)容的方向、結(jié)構(gòu)與正確性。

論文中提到，從CodeX演化而來的代碼補(bǔ)全模型，在受控編碼任務(wù)中可實(shí)現(xiàn)30%-55%的效率提升，但無法獨(dú)立完成多步驟目標(biāo)。

L2的代表是帶插件的ChatGPT、支持工具調(diào)用的Claude等對話式AI助手，智能體能夠?qū)⒍x清晰的任務(wù)拆解為多個(gè)步驟并執(zhí)行，但每一步都需要人工的顯式或隱式審批。

其能力包括網(wǎng)頁搜索、代碼執(zhí)行、信息整合，全程需要人類引導(dǎo)對話、驗(yàn)證中間結(jié)果。

L3是代碼智能體，這之中，智能體可自主執(zhí)行10-100個(gè)連續(xù)動(dòng)作，僅在預(yù)設(shè)的檢查點(diǎn)、或遇到不確定情況時(shí)，才請求人工審核。其能自主查看代碼倉庫、編輯文件，無需人類逐步驟審批。

L3與L2級的核心區(qū)別在于：智能體可自主做出決策，例如選擇編輯哪個(gè)文件、如何修復(fù)測試失敗，無需逐步驟獲得人工批準(zhǔn)；人類僅保留監(jiān)督權(quán)。

L4的代表是AI Scientist系統(tǒng)、Devin、SWE-Agent等，可自主生成研究思路、撰寫論文、運(yùn)行實(shí)驗(yàn)、產(chǎn)出完整論文，甚至完成自動(dòng)化同行評審，全流程無人工干預(yù)。

這一層級的智能體接收到研究目標(biāo)后，可獨(dú)立運(yùn)行數(shù)小時(shí)至數(shù)天，包括自主從故障中恢復(fù)、迭代優(yōu)化策略、最終產(chǎn)出完整的研究成果。人類僅需評估最終輸出結(jié)果，無需全程監(jiān)督執(zhí)行過程。

L5是自主能力的最高等級，智能體不僅能執(zhí)行研究任務(wù)，還能自主選擇研究問題、在多個(gè)項(xiàng)目間分配資源、基于過往成果持續(xù)迭代。

其研究顯示目前尚無系統(tǒng)達(dá)到這一層級，可自主生成難度遞增任務(wù)學(xué)習(xí)課程的智能體Voyager，可基于過往成功程序迭代發(fā)現(xiàn)新數(shù)學(xué)構(gòu)造的智能體FunSearch已經(jīng)展現(xiàn)出了L5的部分特征。

二、四大主流架構(gòu)可適配不同層級系統(tǒng)

論文歸納了四大主流架構(gòu)模式：單智能體循環(huán)（ReAct/Reflexion）、多智能體協(xié)作（MetaGPT/AutoGen）、分層編排（Supervisor-Worker）、工具增強(qiáng)執(zhí)行（CodeAct）。

單智能體循環(huán)（ReAct/Reflexion）：這是自主智能體中最簡單、應(yīng)用最廣泛的基礎(chǔ)架構(gòu)，由單個(gè)語言模型迭代執(zhí)行“觀察環(huán)境→推理下一步動(dòng)作→執(zhí)行動(dòng)作→吸收反饋”的閉環(huán)流程，是絕大多數(shù)L3-L4級系統(tǒng)的核心架構(gòu)。

盡管架構(gòu)設(shè)計(jì)簡單，但它是絕大多數(shù)L3-L4級系統(tǒng)的核心骨架，且在推理策略上存在大量可優(yōu)化、可變化的空間，適配性極強(qiáng)。

多智能體協(xié)作（MetaGPT/AutoGen）：多智能體系統(tǒng)可以將任務(wù)責(zé)任拆分給多個(gè)專業(yè)化智能體，通過智能體間的通信與協(xié)作完成目標(biāo)。

分層編排（Supervisor-Worker）：隨著任務(wù)復(fù)雜度不斷提升，扁平化的多智能體通信模式會(huì)逐漸失效，分層編排引入了明確的監(jiān)督管控關(guān)系：由一個(gè)高層監(jiān)督者智能體負(fù)責(zé)拆解任務(wù)，將子任務(wù)分配給專業(yè)化的執(zhí)行者智能體，同時(shí)監(jiān)控任務(wù)進(jìn)度，并在必要時(shí)介入調(diào)整。

最后是工具增強(qiáng)執(zhí)行（CodeAct）：這是自主研究智能體的核心標(biāo)志性特征，是其與外部工具、外部環(huán)境交互的能力。工具增強(qiáng)執(zhí)行將語言模型從被動(dòng)的文本生成器，轉(zhuǎn)變?yōu)橛?jì)算與物理工作流中的參與者，再加上其可以外接代碼、實(shí)驗(yàn)、網(wǎng)頁，能力上限最高。

總的來看，L2級系統(tǒng)用簡單的單智能體循環(huán)即可高效運(yùn)行，L3級系統(tǒng)采用Reflexion，可天然嵌入檢查點(diǎn)機(jī)制，收益最大，L4級系統(tǒng)通常需要分層編排架構(gòu)，搭配自主迭代優(yōu)化，才能在長時(shí)間自主運(yùn)行中維持輸出質(zhì)量，理論上的L5級系統(tǒng)大概率需要具備自重組能力的圖結(jié)構(gòu)架構(gòu)才能實(shí)現(xiàn)。

三、三大結(jié)論：開閉源差距收窄，專用智能體超越通用，代碼智能體最成熟

基于六維特征矩陣，論文對17款主流系統(tǒng)展開分析，六維特征包括前文提到的L1-L5自主等級、核心應(yīng)用領(lǐng)域、架構(gòu)模式、工具集成廣度、評測方法論、開源屬性。

其得到三大結(jié)論：

首先更聚焦某一領(lǐng)域的系統(tǒng)，能力上限更高，其中，代碼智能體在所有維度中表現(xiàn)最優(yōu)，受益于自動(dòng)化評測體系、成熟的工具環(huán)境、大規(guī)模基準(zhǔn)測試的支撐，是當(dāng)前行業(yè)最成熟的賽道。

其次領(lǐng)域?qū)Ｓ弥悄荏w全面超越通用智能體，SWE-Agent、Coscientist、FunSearch等L4級系統(tǒng)均通過收縮應(yīng)用范圍實(shí)現(xiàn)了穩(wěn)定輸出，AutoGPT、BabyAGI等通用智能體，始終無法在多樣化任務(wù)中實(shí)現(xiàn)穩(wěn)定的L4級運(yùn)行。

最后，開源與閉源的差距正在收窄，開源系統(tǒng)OpenHands的性能表現(xiàn)已經(jīng)非常接近Devin等閉源系統(tǒng)。

在評測體系方面，論文提到了需要聚焦三大核心方向：

多維度指標(biāo)：聯(lián)合評估創(chuàng)新性、正確性、效率、安全性，而非單一維度的優(yōu)化；長周期評測：追蹤智能體在長期科研項(xiàng)目中的表現(xiàn)，而非孤立的單次任務(wù)；社群化評估：將專家反饋循環(huán)嵌入評測流程，建立行業(yè)共識的評估標(biāo)準(zhǔn)。

論文最后還給出了智能體系統(tǒng)六大核心待解難題：認(rèn)知死循環(huán)、上下文窗口限制、創(chuàng)新價(jià)值評估、結(jié)果可復(fù)現(xiàn)性、安全風(fēng)險(xiǎn)與使用成本。

其中認(rèn)知死循環(huán)、原創(chuàng)性評測、安全問題最為關(guān)鍵，因此認(rèn)知循環(huán)問題使得智能體仍無法識別自身陷入困境，只會(huì)在失敗策略上持續(xù)堅(jiān)持，而非尋找全新方法；再加上其沒有可靠的自動(dòng)化指標(biāo)，能衡量科研成果的質(zhì)量與原創(chuàng)性，導(dǎo)致智能體無法在閉環(huán)中實(shí)現(xiàn)自我改進(jìn)；最后隨著智能體能力提升，其安全邊界與倫理風(fēng)險(xiǎn)愈發(fā)突出。

結(jié)語：雙AI協(xié)作產(chǎn)出完整論文，智能體真變身科研同事了

陳德里此次的實(shí)驗(yàn)，讓智能體實(shí)現(xiàn)了從想法到完整論文的自主產(chǎn)出，其僅投入2小時(shí)人類思考時(shí)間，通過雙AI協(xié)作就產(chǎn)出了AI科研綜述論文，證明了AI從工具進(jìn)化為“科研同事”的可行性。

AI此次面對長周期、長流程的復(fù)雜工作，最后生成的論文邏輯清晰且沒有跑偏，展現(xiàn)出了超長文本處理、長流程持續(xù)執(zhí)行、全程邏輯統(tǒng)一的核心能力。

在科研智能體領(lǐng)域，陳德里不僅用有趣的實(shí)驗(yàn)展現(xiàn)出了科研智能體的能力，還通過完整的論文分析解讀展現(xiàn)出當(dāng)下這一領(lǐng)域發(fā)展的現(xiàn)狀及痛點(diǎn)，可以說是雙管齊下，或?yàn)楹罄m(xù)智能體的研究提供了新穎的參考方向。