AI工作流程与智能体

按文献检索、引文核查、定性编码和数据分析查找精选教程与视频，配合具体练习，为个人学习或研究小组讨论制定学习路径。

主办方： Stanford Institute for Human-Centered Artificial Intelligence (HAI)，作为 *AI + Science: Accelerating Discovery* 会议的闭幕圆桌讨论。2026年5月5日录制于斯坦福大学校园。 发言人： Risa Wechsler（Stanford，主持人）、Surya Ganguli（Stanford，主持人）、Angèle Christin（Stanford）、James Evans（University of Chicago）、James Zou（Stanford）以及 Eun-Ah Kim（Cornell University）。 在这场圆桌讨论中，来自物理学、社会学、传播学和生物医学数据科学领域的研究者探讨了人工智能正在如何改变作为一种实践的科学。他们审视了自动化与理解之间、效率与创造力之间以及产业价值与学术价值之间的张力。他们讨论的研究发现包括：有证据表明，人工智能提高了科学家的生产力，同时却将他们推向一种“大数据”单一文化，使所提出问题

Image via Wikimedia Commons.jpg) (public domain). 欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、Science、PNAS 以及顶级商业期刊。 人工智能正在攻克前沿数学，悬而未决的是验证问题 数学已成为人工智能驱动发现的试验场，本周有三篇文章同时展现了其前景与问题。Yichen Huang 在 PNAS 上的论文以 OpenAI 对 Erdős 单位距离猜想的否证为出发点。他指出，这一里程碑依赖于一个内部模型，且测试时计算量未予披露，因此无法被独立复现。作为回应，他基于公开可用的 GPT-5.5 Pro 构建了一个刻意保持简单的自主智能体，采用与具体问题无关的三阶段提示流程：头脑风暴、执行、复核。在关闭网络搜索的八次独立试验中，每一次运行都给出了正确或基本正确的否证；这些证明各不相同，并非对此前人工智能输出的复制；每次试验平均消耗约 10.7 万个推理词元。由于该模型的发布时间比 OpenAI 公布其结果早了近一个月，这项检验避免了数据污染问题。代码和全部输出均已公开。...

从你的研究任务出发，选择文献阅读、引文核查、定性编码或数据分析学习路径，下载可编辑记录模板，并逐步核查每项产出。

Image: "Enigma-IMG 0487-black" by Rama (CC BY-SA 2.0 fr) via Wikimedia Commons, recoloured. 欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、Science、PNAS 以及顶级商业期刊。 人工智能正在找出藏在眼皮底下的答案，谁来核验？ 本周有两则报道从不同的两端描述了同一种转变。Science 报道了 BootLoops，这款软件让研究者能够在 22 个学科中迅速发现并攻克问题。该工具包源自哈佛大学物理学家 Matthew Schwartz 在 Anthropic 担任访问研究员期间的工作，当时 Claude 针对一个又一个问题逐一构建工具。据有关该项目的报道，大约 400 个候选问题在三个月内被筛选为 36 篇稿件，合作作者 19 人，题目从美国联邦医疗保险（Medicare）星级评分到太阳黑子不一而足，其做法往往是把某一领域的已知方法移植到另一个从未有人想到要应用它的领域。与此同时，Nature 报道称，非专业人士正在利用大语言模型破解

主办方： 美国管理学会（Academy of Management）战略管理（STR）分会，由 STR 会员参与委员会赞助，Daniel Albert 组织。发布于 2026 年 7 月 18 日。 主讲人： Vivianna He（伦敦大学学院）、Felipe Csaszar（密歇根大学）、Gwendolyn Lee（普渡大学）和 Phanish Puranam（INSEAD）。 在这场时长一小时的线上小组讨论中，四位战略管理学者探讨了生成式人工智能如何作为战略管理的研究工具，以及它如何为该领域发现和推进研究机会开辟新的途径。本次讨论既面向有意将人工智能融入自身研究的学者，也面向希望了解顶尖学者如何看待战略学术研究未来的听众。 对于管理学和商学研究者而言，这段录像是对本合集中已收录的美国管理学会更广泛讨论的有益补充：它将问题聚焦于单一学科，而在这一学科中，理论构建、数据收集以及研究问题的界定都正在被大语言模型重塑。 来源： STR Strategic Management Division (AOM)，YouTube。

Image: "Andrew+ robot" by Pocar19 (CC BY-SA 4.0) via Wikimedia Commons, recoloured. 欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、Science、PNAS 及其他顶级期刊。 从聊天机器人到实验团队：人工智能智能体开始运行实验 两年来，“人工智能科学家”大多只存在于屏幕之上。本周，它向实验台迈进了一步。据 Nature 报道，Anthropic 建立了一个生物湿实验室，人类科学家与人工智能智能体在其中共同设计并开展实验。该实验室公布的首项发现来自约 950 个人工智能智能体，它们以自主方式探索了包含数十亿种蛋白质的数据库，历时超过 21 小时，并在彼此之间讨论阶段性结果、决定下一步行动。在受命寻找可能与逆转录酶协同作用的蛋白质时，这些智能体注意到一种巨型病毒中此类基因附近有一段反复出现的短 DNA 序列，随后又在其他病毒基因组中发现了类似的重复阵列，这些模式令人联想到细菌的 CRISPR 系统。需要注意的局限同样真实存在：该预印本尚未经过同行评审

Image via Wikimedia Commons (public domain). 欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、Science 以及商学领域的顶级期刊。 从静态论文到可运行的智能体 任何尝试复用已发表方法的人都深知其中的艰辛：寻找代码、修复运行环境、解读补充材料。在 Nature 上，Jiacheng Miao、Joe R. Davis、Jonathan K. Pritchard 及其合作者提出了 Paper2Agent，这是一个自动化框架，能够将一篇研究论文转化为充当“虚拟通讯作者”（"virtual corresponding author"）的人工智能智能体。 多个智能体分析论文及其代码库，构建模型上下文协议（MCP）服务器，随后生成并运行测试以提升其稳健性。在与 Claude Code 等对话智能体连接后，所生成的“论文智能体”能够以自然语言回答科学问题，同时调用论文自身的工具与工作流程。在基于 AlphaGenome、Scanpy 和 TISSUE 的案例研究中，作者报告这些智能体复现了原始论

主办方： Association for Consumer Research (ACR)。录制于2026年7月7日。 时长： 约56分钟。 观看录像（56分钟） 本期 ACR 网络研讨会介绍了研究者运用生成式人工智能的两种新兴方式：一是氛围编程（vibe coding），即用自然语言描述需求，由 AI 模型编写代码；二是 AI 辅助访谈，用于收集和开展质性访谈。 录像托管于 OneDrive，将在新标签页中打开：观看录像。 封面图片："Laptop coding programs"（Unsplash，CC0），来源：Wikimedia Commons。

AI research assistant helping with coding and data analysis Yuan Ren 2026年4月18日 近年来，大语言模型、编程智能体与自动化工具逐渐进入科研实践。它们可以协助研究者整理文献、实现代码、编排实验、汇总结果，甚至起草文稿。但这并不意味着研究过程会自然而然地变得更加严谨。恰恰相反，如果缺乏清晰的边界、评估与流程控制，AI 往往会放大原有的混乱：代码结构迅速膨胀，实验结果难以追溯，输出文件不断堆积，而研究者对项目整体状态的把握却持续下降。相关综述已经指出，大语言模型若要有效服务于科研，其前提并非“自主完成研究”，而是被置于一个与人类研究目标对齐、并配备清晰评估机制的流程之中（Zhang et al., 2025）。 本文所说的 Vibe Research 并非一个严格形式化的学术术语，而是一种实践性的工作框架。其基本原则是：研究者负责问题定义、方向判断、评估设计与结论审查，AI 则负责高频迭代、样板代码实现、局部探索与重复性劳动。本文尝试将这一框架整理为一份简洁、可执行的教程。..

Yuan Ren 4月9日 *社会科学中的人机分工：可编码任务与默会知识、理论原创性、田野判断力之间的取舍* 在人人都在谈论人工智能的时代，社会科学研究正处在一个微妙的十字路口。近期，石溪大学的 Yongjun Zhang（2026）在其最新论文 *Vibe Researching as Wolf Coming* 中提出了一个颇具挑衅性的问题：你的研究中哪些部分只有你才能做，哪些是机器永远无法取代的？是运行繁琐的代码，还是撰写套路化的文献综述？继 Andrej Karpathy 于 2025 年提出“氛围编程”（vibe coding，用户描述所需功能、由人工智能编写代码）之后，Zhang 在学术界识别出一个与之平行的现象：“氛围式研究”（vibe researching）（Karpathy, 2025; Zhang, 2026）。 自动化的浪潮：从计算器到“心智的飞机” 社会科学中的自动化并非新鲜事，Zhang（2026）将其演化划分为四波。二十世纪七十至九十年代，统计软件实现了计算的自动化；二〇〇〇年代出现了由 API 驱动的数据采集；二〇一

Economics in the Age of AI Agents Yuan Ren 2025年11月17日 AI 智能体时代的经济学 过去两年间，经济学家开展研究的方式经历了深刻的结构性转变。在其 2025 年 NBER 工作论文 *AI Agents for Economic Research* 中，Anton Korinek 认为，研究共同体正在从 ChatGPT 这类简单的对话系统，转向以自主 AI 智能体为核心的新范式。这些系统将文本生成与规划、记忆和工具使用整合在一起，使其能够执行多步骤的研究任务。更广义地说，AI 智能体的兴起代表了研究组织方式本身的一次技术重构。 Korinek 回顾了他此前的论文 *Generative AI for Economic Research*（Korinek, 2023），并指出仅仅两年之内，AI 工具就已从概念原型演进为可用于日常研究流程的成熟系统。它们不再仅仅撰写邮件或摘要，而是能够独立开展文献综述、调试计量经济学代码、运行模型并解释结果。他将此描述为“AI 系统运作方式上的根本性架构进展”，其中

2025年7月15日 人工智能（AI）正以惊人的速度重塑学术研究的格局。从创意产生到数据生成，从写作到期刊发表，AI 正渗透到学术生态系统的每一个环节（Van Quaquebeke et al., 2025）。在这篇发表于 *The Leadership Quarterly* 的文章中，Van Quaquebeke、Tonidandel 和 Banks 指出，我们已经身处 AI 深度参与知识生产的时代。真正的问题已不再是“我们是否应该使用 AI？”，而是“我们如何才能有原则、有反思地使用它？” 灵感伙伴还是同质化推手？AI 如何重塑研究设计 生成式人工智能正在成为学术灵感的孵化器。研究者利用大语言模型（LLM）进行头脑风暴、提出研究问题，甚至检索被忽视的跨学科议题（Bianchini et al., 2022）。实证研究甚至表明，AI 生成的研究构想在新颖性上优于 100 名 NLP 专家提出的构想（Si et al., 2024）。此外，受益者不仅是初学者，资深学者也可以通过反向提示（counter-prompting）与 AI 互动，从而突破

2025年4月6日 4月5日，我们举办了工作坊的第二天活动。另请访问我们的 GitHub 页面，获取幻灯片、阅读材料和其他学习资料： http://github.com/lanceyuu/osloworkshop 上午场 面向研究的无代码编程 RAG（检索增强生成） 下午场 使用 GPT、Claude 和 Gemini 进行数据分析 使用 LLM 和 Colab 进行可视化 使用 EASY DATASET 微调 LLM 合成数据

2025年4月5日 大家好，这是工作坊第一天的录像。另请访问我们的 GitHub 页面，获取幻灯片、阅读材料和其他学习资料： http://github.com/lanceyuu/osloworkshop 00:15 开场介绍 15:00 生成式人工智能基础 01:19:46 文献综述与文献管理 02:04:23 自动化、助手与智能体 02:36:03 实验刺激材料生成 03:18:33 AI 访谈员 03:52:38 API 03:59:01 文本分析

2024年12月29日 在告别 2024 年之际，我们回顾这充满创新与成就的非凡一年。我们的旅程始于推出多款开创性产品，这些产品改变了研究方法。我们推出了智能聊天机器人 Mimi，它已成为研究者不可或缺的伙伴，能够将研究者的需求与 400 多款专业生成式人工智能工具精准匹配。Scale Finder 则成为调查研究的重要工具，帮助学者为其研究找到最合适的测量量表。出于推动质性研究发展的承诺，我们开发了 MimiTalk，通过自动化彻底革新了访谈流程。我们还推出了 MimiCall，进一步扩展能力，为电话访谈自动化带来创新。 除产品开发外，2024 年我们也为学术界和商业界作出了重要贡献。我们出版了一本全面的电子书，为企业应对复杂的生成式人工智能工具格局提供实用指南。我们的研究工作最终形成了一篇重要的预印本，聚焦于大语言模型在主题建模中的应用。在这一年里，我们通过大量线上与线下的网络研讨会和培训积极分享知识。认识到负责任地采用人工智能的重要性，我们收集并分析了各机构的生成式人工智能政策，为研究者提出了全面的指导原则。 展望 2025...

2024年7月13日 日期： 2024年6月20日 主讲人： Joshua Cova 和 Luuk Schmitz，马克斯·普朗克社会研究所（Max Planck Institute for the Study of Societies） 本次工作坊由马克斯·普朗克社会研究所的 Joshua Cova 和 Luuk Schmitz 主持，对大语言模型（LLMs）在社会科学研究中的应用进行了富有洞见的介绍。会议涵盖以下几个关键领域： 大语言模型在社会科学中的四大主要用途： a) 对人类行为进行计算建模（Aher, Arriaga, and Kalai, 2022; Dillion et al., 2023; Horton, 2023; Tjuatja et al., 2023） b) 模拟社会关系（Park et al., 2023; Wang et al., 2024; Akata et al., 2023） c) 与人类主体互动（Chopra and Haaland, 2023） d) 文本标注（Törnberg, 2023; Gilardi,

2024年5月16日（更新于2024年6月27日） 2024年5月16日，我们举办了一场关于生成式人工智能科研应用的入门网络研讨会。欢迎在此观看录像。 以下是我们在研讨会期间制作的一些趣味素材。 收听摇滚明星 Mimi 的新单曲： https://suno.com/song/890d713a-d2b3-456c-84c8-04e57e269deb 观看 Mimi 欢快奔跑的视频： https://pika.art/video/61630e70-d4d0-48b7-8568-75cc3c00df2e 如果您尚未填写调查问卷，请点击以下链接。 https://bino.qualtrics.com/jfe/form/SV_d9YUHaUIwtpgIhE

2024年7月21日 Anton Korinek，*Journal of Economic Literature* 生成式人工智能（AI）领域发展迅速，对经济学研究产生了重大影响。自本文最初发表于 *Journal of Economic Literature*（Korinek, 2023）以来，大语言模型（LLMs）的进展带来了多项创新和新的用例。本报告总结了前沿大语言模型在经济学研究中的主要创新和最新用例，重点关注六个领域：构思与反馈、写作、背景研究、编程、数据分析以及数学推导。 大语言模型的最新进展体现在性能提升、上下文窗口扩大、信息召回能力增强、处理速度加快以及成本降低等方面。领先人工智能实验室的重要更新已加入视觉能力和实时声音处理功能。截至2024年5月，OpenAI 的 GPT-4o 是公开可用的能力最强的大语言模型，并在 ChatGPT 应用中提供 GPT 商店。Anthropic 于2024年3月发布的 Claude 3 在写作能力方面表现出色，而 Google DeepMind 于2024年1月发布的 Gemini Pro 1.

2024年7月9日 主讲人： Eva Boxenbaum (Copenhagen Business School) Teppo Felin (Utah State University) Matthew Grimes (Cambridge Judge Business School) Christine Moser (VU Amsterdam) Christopher Wickert (VU Amsterdam) 大语言模型（LLM）正日益影响科学研究和学术工作。作为能够模仿人类推理某些要素的先进人工智能系统，大语言模型可能会自动化、增强或重构目前由人类完成的许多数据分析、理论构建和写作过程。在此背景下，本次专家小组由顶级期刊编辑和公认的人工智能思想专家组成，将阐明大语言模型在管理与组织领域学术工作和研究中可能的使用情景。专家们将讨论该技术对这一领域研究和学术的价值；确保技术得到合乎伦理且透明使用所涉及的挑战与权衡；以及他们认为对学术共同体而言重要的防护措施，并兼顾该知识领域的优势与其学术共同体的利益。 阅读材料： Cornelissen, J.