Vibe Research：AI 协作研究工作流教程
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。
一、项目启动：先建立运行环境与协作边界
在项目冷启动阶段，首要任务并非立即生成代码，而是先建立最基本的运行环境与协作约束。根据实践经验，这一步通常包括：在项目目录中预先配置 agents.md、相关 skills 与插件；如果采用命令行工作流，则进一步准备 tmux 或 screen 等后台会话工具，以保证长周期任务能够持续运行。
这一阶段的重要性主要不在于工具本身，而在于它为后续研究建立了稳定的外部框架。在 AI 协作研究中，环境稳定、任务可恢复、职责可区分，往往比一开始就追求“优雅的代码结构”更为重要。从研究规范的角度看，这也与近年来机器学习领域对可复现性与透明度的强调相一致：研究过程需要满足可重复执行、可追溯与可验证的基本条件（NeurIPS, 2026）。
二、构想阶段：研究方向应由人主导，AI 辅助理解
在构想形成阶段，AI 的角色应限于辅助而非替代。一种相对可靠的做法是：研究者先自行阅读核心论文，筛选出真正相关的文献与技术线索，再将这些材料提供给智能体，由其生成更完整的领域理解；与此同时，研究者自己保留一份初步路线图，以明确项目应如何推进。
这种分工与现有综述的判断大体一致。相关研究指出，LLM 可以参与研究工作流的多个阶段，但其作用建立在与人类研究目标对齐的基础上，而非在问题定义上取代研究者（Zhang et al., 2025）。因此，在这一阶段，AI 更适合充当“理解加速器”，而非“方向制定者”。
三、代码库阶段：代码框架是研究工作的基础
当 AI 参与代码生成时，代码库的结构并非次要问题，而是研究工作的基础设施。在实践中，一个常见问题是智能体倾向于在项目早期过度抽象，例如把原本简单的数据加载流程拆分为多层 dataclass、配置对象与中间封装结构，导致系统复杂度在真正的实验开始之前就已显著上升。
因此，在代码库设计阶段，研究者应尽可能通过 plan mode 或其他方式，主动约束第一版框架的抽象层级。这一阶段最重要的，并非构建一个面向未来所有场景的通用系统，而是建立最短、最清晰、最易验证的研究主路径。哪些结构必须抽象，哪些部分暂时保持直接，哪些配置需要暴露，哪些逻辑应集中管理，这些问题都应从一开始就由人来决定。如果第一层框架设计不佳，此后每一次功能迭代都会累积额外的复杂度；反之，如果主路径足够清晰，之后的修改、对比与调试都会更加可控。
四、评估阶段：评估应先于实验执行
在这一工作流中，评估不应被理解为实验结束后的“结果统计”，而应被理解为实验开始前的“问题定义”。更准确地说，评估是假设的可执行表达。如果在实验开始前没有清晰设计评估逻辑，那么此后投入的大量计算资源很可能只是无方向的消耗。
因此，更可靠的顺序应当是：先设计评估，再进入实验。评估逻辑不应临时附加在实验末端，而应在最早阶段就作为代码库的一部分预留出来。至于其具体形式，可以视项目复杂度而定：它可以是相对简单的过程式脚本，也可以是分离良好的模块化系统。但有一条原则不应忽视：具有不同依赖关系的功能应尽量分开管理，而不是把结果保存、指标计算与可视化全部塞进一个过长的函数。
五、功能阶段：用 Red–Green–Refactor 建立开发闭环
当项目进入功能迭代阶段，一种相对可靠的实践是采用 Red–Green–Refactor。根据 Martin Fowler 对 TDD 的经典概括，这一循环包括三个步骤：先写一个会失败的测试（Red），再完成实现使其通过（Green），最后重组结构、消除重复、压缩技术债（Refactor）（Fowler, 2023）。
这一方法在编程智能体场景中尤为有效。Simon Willison（2026）明确建议在与编程智能体协作时使用 red/green TDD：先让测试失败，再根据失败反馈驱动实现，从而减少歧义、提升迭代质量。
之所以要特别强调 Refactor，是因为智能体往往擅长快速完成功能，却并不天然擅长在功能通过后主动重组系统结构。如果只有 Red 和 Green 而没有 Refactor，项目复杂度仍会在多轮迭代中持续累积。因此，在功能阶段，重点不应仅仅是“让 AI 写出功能”，还应借助测试建立一个可验证、可纠正、可持续维护的开发闭环。
六、实验阶段：流程管理决定项目能否保持可控
随着实验阶段真正开始推进，项目的核心挑战从“如何写代码”转向“如何维持秩序”。有两项实践措施尤其值得保留。
第一，强制维护 CHANGELOG.md。尤其是在多个智能体同时运行时，只要核心逻辑发生变化，就应在 changelog 中简要记录，至少说明变更内容及其影响范围。第二，通过命名规范区分人类创建与智能体生成的文档，例如人类创建的 markdown 文件统一使用小写，而由智能体创建或大幅重构的文件统一使用大写，从而能够快速识别来源与责任边界。
这些做法未必属于严格的主流规范，但它们服务于同一个目标：让实验过程保持可追溯、可恢复、可解释。这也与当前机器学习共同体对结果可追溯性的要求相一致：研究不仅应报告结果，还应保留足够的过程信息，以供后续检查与复现（NeurIPS, 2026）。
七、自动研究阶段：自动化探索必须建立在清晰边界之上
当功能已推进到相对稳定的阶段，且优化目标足够明确时，可以尝试进入 autoresearch 阶段。这一阶段的核心并非“让 AI 自由优化”，而是先由研究者界定可接受的优化范围，包括可修改的代码区域、参数空间与结构边界，然后才允许 AI 在受控条件下进行探索。
这一判断非常重要，因为自动化本身并不天然保证结果更可靠。相关综述同样指出，LLM 在研究中发挥作用的前提是清晰的评估指标以及与人类目标的对齐。换言之，AI 可以帮助搜索候选方案，但无法代替研究者决定什么才真正构成改进（Zhang et al., 2025）。因此，autoresearch 更适合作为一种受约束的部分委托机制，而非研究判断权的转移。
八、结果收集与写作阶段：研究后期的关键在于收敛而非扩张
一旦实验稳定运行，评估结果的形式也已明确，项目便进入后期阶段。根据实践经验，这一阶段最关键的任务是管理输出文件夹，及时归档失败的实验或无效结果，并同步将核心结果写入 changelog。
这一步的意义在于保持研究链条的清晰。随着实验数量增加，真正威胁项目质量的，往往不再是“是否还有新想法”，而是“是否还能清楚地知道每个结果从何而来、对应哪一次修改、支持哪一个结论”。
进入写作阶段，通常意味着大规模实验（例如消融研究或超参数搜索）已基本完成，项目正接近收尾。此时应回到最初的路线图，检查是否遗漏了关键实验，确认论证链条是否已经闭合，然后再开始写作。
还需指出的是，本教程更直接地适用于计算机科学和计量经济学等领域，这些领域的研究工作流通常更加形式化、数据驱动，也更易于进行可复现的评估。相比之下，它通常不太适用于人文学科以及更广泛的社会科学中的许多领域，因为在这些领域中，诠释与情境分析发挥着更为核心的作用。
结语
总体而言，Vibe Research 并不主张“把研究交给 AI”，而是主张在 AI 显著提升迭代速度之后，重新建立一套更严格的流程约束。这一框架之所以有价值，正是因为它始终坚持三件事：第一，框架必须先行建立；第二，评估必须先想清楚；第三，开发必须建立反馈闭环。因此，Vibe Research 的核心结论可以概括为一句话：AI 可以提升研究的速度，但研究判断、评估与结论的责任仍须由人来承担。
References
Fowler, M. (2023, December 11). *bliki: TestDrivenDevelopment*. Martinfowler.com. https://martinfowler.com/bliki/TestDrivenDevelopment.html
NeurIPS. (2026). *PaperInformation / PaperChecklist*. Neurips.cc. https://neurips.cc/public/guides/PaperChecklist
Willison, S. (2026). *Red/green TDD - Agentic Engineering Patterns*. Simon Willison’s Weblog. https://simonwillison.net/guides/agentic-engineering-patterns/red-green-tdd/
Zhang, Y., Khan, S. A., Mahmud, A., Yang, H., Lavin, A., Levin, M., Frey, J., Dunnmon, J., Evans, J., Bundy, A., Dzeroski, S., Tegner, J., & Zenil, H. (2025). Exploring the role of large language models in the scientific method: from hypothesis to discovery. *NPJ Artificial Intelligence*, *1*(1), 14. https://doi.org/10.1038/s44387-025-00019-5
留言