看到挺多人对自动化ai科研感兴趣，我来分享一点自己的经验

问题描述：

更新：Claude支持Monitor tool了。让我测试一下是否能解决我们这套监控的问题

开场先叠个甲，CS PhD 在读，发过 CVPR、ICCV、ICML、NeurIPS等。Claude官方max订阅。ChatGPT pro订阅，以及Gemini Ultra。
首先，现在 AI 写论文这件事已经非常成熟了。如果你只是写一些不需要任何实验的论文，我觉得它是完全可以胜任的，甚至它会写得比你还好，只不过需要一些 Harness 以及skill来适配你的工作流。

重新编辑把所有内容放到主楼层了。

但是我现在想讨论的是 Deep Learning 方向的科研任务。AI 是否能完整地解决 Deep Learning 的任务，主要分为以下几个过程：

1. 文献调研
2. 确定 Baseline
3. 确定 Idea
4. 写代码跑实验（实现 Idea）
5. 分析实验
6. 写论文

我真正尝试了几次，自己也搭了多套系统，纯skill方式，agent方式，魔改omc/omcodex等，都会发现最起码到目前为止，它还是没有办法完全自由推进。过程中确实会有一些让人 Amazing 的点，但更多的时候，它还是会在一个地方陷进去打转。
先说模型使用的问题，如果你想拥有最好的性能，三家模型肯定都是要用的。因为首先它们擅长的侧重点不同，其次，多元模型交叉可以互相 review。

这种情况下是防止幻觉以及提升能力最好的办法，类似于只要写过代码都知道，ensemble 是无痛提点的最好方式。

其次，关于文献调研。

首先，AI 的文献调研能力一定是比人强的。我发现找调研（survey）这个过程中有很多值得探索的点，比如大模型是怎么读内容的：是让它自己通过 Web Search 读原文，还是你给它下载好 PDF 之后再喂给它读？以及是直接读PDF还是转markdown在读，这里面有很大的探索空间，也就是怎么把这个流程做到最稳定、最可用。

另外我发现，如果让它读一些论文，因为论文动辄三四十页，它其实会“偷懒”，只读前三页。