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。但事实上，也不需要把一篇 PDF 完整地读完，因为里面很多信息是你只在特定时候才需要的。

比如说：

1. 比对结果的时候，你才需要看实验结果。
2. 在最开始，你可能只需要看一个摘要和引言（introduction），就可以判断它到底能不能被你用到。

另外发现最核心的问题是，针对一个点不断翻找、搜论文的时候，系统一定能搜到很好的论文并基于此提出 idea。但我当时考虑的流程是：

1. 首先会提出很多 idea。
2. 然后交叉 review，看哪个 idea 更好。
3. 确定这个 idea 后，再出发去看看有没有润色、打磨的点，以及它的 novelty 够不够。

在这个过程中，基于idea搜论文最大的问题是找到的文献太多了。所以按严格标准来算，你的所有 idea 都没有 novelty。但事实上，这些 idea 可能已经比绝大多数 CVPR 的方法更有新意了。

所以这个评判标准很难界定，而且受模型影响很大。

如果让他确定 Idea 以后从零开始写代码的话，效果一定会很差，这个毋庸置疑。我把这个放在最先，希望大家不要在上面浪费时间。如果你看到开源项目连这点都没有考虑的话，可以直接放弃它，它是不可能好用的。或者最起码，它不可能帮你发出一篇实验能复现、没有任何幻觉造假的 Top Conference 论文。

所以我们一定要找到一个 Baseline。当然，最简单的方式是你已经确定了研究方向和 Baseline，然后基于它去修改，这样就可以跳过这一步。

基于 Baseline 的话，就到了我们的复现环节。复现 Baseline 的主要意义在于：既然 AI 跑这些任务很容易，我们可以简单复现一下 Baseline 的结果，方便观察我们的 Idea 是不是真的 Work。

复现过程中需要安装环境和下载数据集，这里其实有蛮多坑的：

1. 网络连接不稳定：尤其是服务器在国内的话，连接各种资源非常不稳定。
2. 缺乏监控机制：它毕竟是大语言模型驱动的。比如它去下载一个数据集，如果没有监控，可能第一秒就挂掉了，但没有人管它。
3. 进程阻塞：装环境的时候如果报错就会卡住。

我当时觉得这些任务都应该交给 Sub-agent，或者通过 exec 调用。我不想让它在主线程运行，一方面是在主线程会影响上下文，另一方面是会让我卡在前台等待，而这明明是可以并行处理的。

因此我加了很多监控机制。我考虑过用 Python 写一些 watchdog，或者是加一些心跳轮询之类的机制，但是都不是很 work。

尤其是叠加了 SSH 服务器、给服务器配代理这些操作，以及服务器上可能有数据集不需要下载，但是要验证数据集完整性等问题，导致这件事变得非常 tricky。

因此，我目前也没有想到能完美解决这件事的方式。它可能有能力帮你全做完，但用的不一定是你想要的方式。比如：服务器上其实已有这个数据集，它却给你重新下载一套
但是这个是针对全自动化的。如果你自己已经下好，并且能告诉它路径的话，它其实可以避免这个问题。

Idea 实现以后，深度学习实验最大的问题就是你如何判断这个实验是否值得跑，以及它是否真的在运行。

大模型遇到的最大问题是：代码改好跑起来后，系统就一直在等，以为它已经正常运行了，可能第一秒就挂了。这个倒是有办法解决，但更大的问题在于：

1. GPU 利用率不高：这需要单独处理。
2. Loss 直接 NAN：这也得及时处理。

所以这些细节都是一个完善的科研系统必须要考虑的事情。必须让 GPU 得到最大的利用，并且在实验出现明显不行的信号时，第一时间进行处理。
3. 异常信号处理：或者还有一些情况，就是 Loss 可能没有出现 NaN，但是已经有一些明显的信号表明这个实验继续下去没有意义。由于 GPU 资源是一件很昂贵的事情，所以我们当然希望这种情况也能得到处理。

另外还有一个比较重要的，是多种模型之间如何交互的问题：到底是用 MCP、Exec 还是别的方式？

目前我自己的感受如下：

1. MCP 是一定不能考虑的方式，最垃圾的方式。
2. 最好区分是一次执行的任务还是多轮执行的任务
   (a) 需要上下文的，可以通过 T-Max 开 Panel，让他们可以实时交互
   (b) 一次执行Exec即可。

写到这儿突然发现，忘了说一个很重要的问题：多个模型到底如何交互？
目前看下来，因为前面也提到了一定要运用多个模型的能力，主要的使用方式可能有两种：

1. EXEC。
2. 让他们能主动交互的 tmux 开 panel。

第一种方式用来最简单的review，比如同时10个idea，10个并行exec命令review idea。第二种方式可以实现主的调度器给任何的 session 发信息，并且可以追问，保持上下文。

还有就是上下文管理的问题。我花了很多时间来尝试，能不能让我的每一个 session 都有我想要让它有的上下文。

但我发现目前来看，不知道是我还没调教好，还是确实比较困难，效果不是特别好。但我还是会尽量让它干净一点，所以主调度其实不做任何事情。
因此参考 Harness Engineering，我主要做的改进如下：

1. 优化 Session 交互与状态记录
   不管怎么开启 Session 都方便交互，系统会记录当前的进度、具体做到哪里，以及是否存在活跃的 Task，防止开了新 Session 以后，甚至不知道有 GPU 任务已经在跑。
2. 规范 Agent 间的交付流程
   不同的 Agent 之间会有明确的输入输出格式，并且通过在磁盘上读文件的方式来完成他们的输入。

因为主要是分享自己用的过程中的一些感受，还没做好写一个教程的准备。毕竟自己也是初步的探索，所以就是基本想到哪儿说到哪儿。

整篇帖子由 Typeless 完成输入。

网友解答：

---

--【壹】--：

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 是最无痛体验的最好方式。

---

--【贰】--：

你说的和我说的不是一个问题 你说的是迭代优化 我说的是从零开始做一篇paper

---

--【叁】--：

写到这儿突然发现，忘了说一个很重要的问题：多个模型到底如何交互？
目前看下来，因为前面也提到了一定要运用多个模型的能力，主要的使用方式可能有两种：

1. EXEC。
2. 让他们能主动交互的 tmux 开 panel。

第一种方式用来最简单的review，比如同时10个idea，10个并行exec命令review idea。第二种方式可以实现主的调度器给任何的 session 发信息，并且可以追问，保持上下文。

还有就是上下文管理的问题。我花了很多时间来尝试，能不能让我的每一个 session 都有我想要让它有的上下文。

但我发现目前来看，不知道是我还没调教好，还是确实比较困难，效果不是特别好。但我还是会尽量让它干净一点，所以主调度其实不做任何事情。
因此参考 Harness Engineering，我主要做的改进如下：

1. 优化 Session 交互与状态记录
   不管怎么开启 Session 都方便交互，系统会记录当前的进度、具体做到哪里，以及是否存在活跃的 Task，防止开了新 Session 以后，甚至不知道有 GPU 任务已经在跑。

2. 规范 Agent 间的交付流程
   不同的 Agent 之间会有明确的输入输出格式，并且通过在磁盘上读文件的方式来完成他们的输入。

---

--【肆】--：

因此我加了很多监控机制。我考虑过用 Python 写一些 watchdog，或者是加一些心跳轮询之类的机制，但是都不是很 work。

尤其是叠加了 SSH 服务器、给服务器配代理这些操作，以及服务器上可能有数据集不需要下载，但是要验证数据集完整性等问题，导致这件事变得非常 tricky。

因此，我目前也没有想到能完美解决这件事的方式。它可能有能力帮你全做完，但用的不一定是你想要的方式。比如：服务器上其实已有这个数据集，它却给你重新下载一套
但是这个是针对全自动化的。如果你自己已经下好，并且能告诉它路径的话，它其实可以避免这个问题。

---

--【伍】--：

验证阶段 大多数要靠人的干预来实现 但是idea产出是可以通过AI来不断地循环迭代优化的 这次赶完几篇NIPS 我也会去做一个项目开源出来

---

--【陆】--：

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。但事实上，也不需要把一篇 PDF 完整地读完，因为里面很多信息是你只在特定时候才需要的。

比如说：

1. 比对结果的时候，你才需要看实验结果。
2. 在最开始，你可能只需要看一个摘要和引言（introduction），就可以判断它到底能不能被你用到。

---

--【柒】--：

另外发现最核心的问题是，针对一个点不断翻找、搜论文的时候，系统一定能搜到很好的论文并基于此提出 idea。但我当时考虑的流程是：

1. 首先会提出很多 idea。
2. 然后交叉 review，看哪个 idea 更好。
3. 确定这个 idea 后，再出发去看看有没有润色、打磨的点，以及它的 novelty 够不够。

在这个过程中，基于idea搜论文最大的问题是找到的文献太多了。所以按严格标准来算，你的所有 idea 都没有 novelty。但事实上，这些 idea 可能已经比绝大多数 CVPR 的方法更有新意了。

所以这个评判标准很难界定，而且受模型影响很大。

---

--【捌】--：

赶上现场直播了
最近我在用一个ohmypaper，也是站内佬的项目，体验起来比我手搓的好很多

---

--【玖】--：

那这点我不赞同。如果 AI 能全面地都做完整的循环的话，人在这里的意义是什么？

想象一个终局，在我看来可能是一部分 GPU 用来训最新的最强的大模型，一部分用来给我们做 inference，还有一部分就是在所有方向不断地迭代，推进每一个子领域。

那这个过程中当然需要写代码、跑实验，以及验证这些 idea 到底行不行，不然产出的 idea 就是垃圾。Idea is cheap, show me the results.

---

--【拾】--：

佬要不有空的话重新编辑放在主楼层里面？这样应该会看得更方便一点

---

--【拾壹】--：

请问是哪个项目呀, 有 github 链接嘛大佬

---

--【拾贰】--：

如果让他确定 Idea 以后从零开始写代码的话，效果一定会很差，这个毋庸置疑。我把这个放在最先，希望大家不要在上面浪费时间。如果你看到开源项目连这点都没有考虑的话，可以直接放弃它，它是不可能好用的。或者最起码，它不可能帮你发出一篇实验能复现、没有任何幻觉造假的 Top Conference 论文。

所以我们一定要找到一个 Baseline。当然，最简单的方式是你已经确定了研究方向和 Baseline，然后基于它去修改，这样就可以跳过这一步。

基于 Baseline 的话，就到了我们的复现环节。复现 Baseline 的主要意义在于：既然 AI 跑这些任务很容易，我们可以简单复现一下 Baseline 的结果，方便观察我们的 Idea 是不是真的 Work。

复现过程中需要安装环境和下载数据集，这里其实有蛮多坑的：

1. 网络连接不稳定：尤其是服务器在国内的话，连接各种资源非常不稳定。
2. 缺乏监控机制：它毕竟是大语言模型驱动的。比如它去下载一个数据集，如果没有监控，可能第一秒就挂掉了，但没有人管它。
3. 进程阻塞：装环境的时候如果报错就会卡住。

我当时觉得这些任务都应该交给 Sub-agent，或者通过 exec 调用。我不想让它在主线程运行，一方面是在主线程会影响上下文，另一方面是会让我卡在前台等待，而这明明是可以并行处理的。

---

--【拾叁】--：

其实一个合格的AI paper系统 最重要点应该还是在idea儿的产出上 最重要的应该是论文调研 Idea产出 Idea review这个循环，真正的代码实现应该是人干预居多，我觉得做好上面的这个idea产出的循环是最重要的，其实没必要一定做到从论文调研到实验代码 再到实验结果 再到论文写作 完全都由ai自主实现

---

--【拾肆】--：

rag或者接入notebooklm。接入notebooklm看起来是最简单高效，可以用于关键点搜索，校对，批判。agent 只需导入相关文献即可。全自动推进很好做，关键是当前许多项目的产物是割裂的，你可以参考我的Maestro-flow项目中Maestro-coordinate命令

---

--【拾伍】--：

Idea 实现以后，深度学习实验最大的问题就是你如何判断这个实验是否值得跑，以及它是否真的在运行。

大模型遇到的最大问题是：代码改好跑起来后，系统就一直在等，以为它已经正常运行了，可能第一秒就挂了。这个倒是有办法解决，但更大的问题在于：

1. GPU 利用率不高：这需要单独处理。
2. Loss 直接 NAN：这也得及时处理。

所以这些细节都是一个完善的科研系统必须要考虑的事情。必须让 GPU 得到最大的利用，并且在实验出现明显不行的信号时，第一时间进行处理。
3. 异常信号处理：或者还有一些情况，就是 Loss 可能没有出现 NaN，但是已经有一些明显的信号表明这个实验继续下去没有意义。由于 GPU 资源是一件很昂贵的事情，所以我们当然希望这种情况也能得到处理。

另外还有一个比较重要的，是多种模型之间如何交互的问题：到底是用 MCP、Exec 还是别的方式？

目前我自己的感受如下：

1. MCP 是一定不能考虑的方式，最垃圾的方式。
2. 最好区分是一次执行的任务还是多轮执行的任务
   (a) 需要上下文的，可以通过 T-Max 开 Panel，让他们可以实时交互
   (b) 一次执行Exec即可。

---

--【拾陆】--：

有一个虫洞广场人类之光板块，里面是关于科研的板块，可以申请一下在那个板块发

---

--【拾柒】--：

第一次发帖不知道放哪个分区，如果错了麻烦指正

---

--【拾捌】--：

支持佬，在看，建议整合全部放在一起，一层层发有点散。

---

--【拾玖】--：

因为主要是分享自己用的过程中的一些感受，还没做好写一个教程的准备。毕竟自己也是初步的探索，所以就是基本想到哪儿说到哪儿。

整篇帖子由 Typeless 完成输入。