给AI一个主题，它真的能跑完整个科研流程吗？
作者: 镜山
编辑: Koji
排版: NCon
最近一个月，我们已经见识过了非常多的 OpenClaw 产品。
有做客服的，有做营销的，有做内容创作的，有做个人助理的，每一个都很有想象力。
但如果我们去仔细翻一圈就会发现，有一个领域，破圈产品并不多。这个领域，就是科研学术。大家都在关注，初创团队也不少，但始终没有一个产品让人觉得「这就是科研人员要的东西」。
一个很有意思的对照是，前段时间 Andrej Karpathy 做了一个爆火的开源项目：AutoResearch。这个项目发布后就在各个社区刷屏，再次让大家对「让 AI 自主完成一整套研究实验任务」这件事产生了关注。
也正是在这个背景下，我们注意到了 SciClaw —— 一个面向科研场景的 AI co-worker，基于 OpenClaw 的底层能力。
接下来，分享我们对 SciClaw 的观察和理解。
SciClaw 在做一件什么事？
整体来看，SciClaw干的事情很直接，它基本能把一篇论文从头到尾跑一遍。你只需要给一个主题，剩下的它自己搞。
它会主动去全网找论文，筛高质量内容，同时调动一堆工具，把整个流程做起来，中间会调用各种MCP 和检索能力，把论文一篇篇吃进去，最后统一做整理和总结。
我拿最近一个比较热的方向测了一下。AlphaFold 这波又被带起来了，上个月谷歌系一家 AI 制药公司发了新技术报告，做了一个新一代的药物设计引擎，IsoDDE 甚至被《Nature》形容为 AlphaFold 级别的进展，但问题是它是闭源的，所以现在讨论很多，但信息其实是非常散的。
我就直接丢给SciClaw 一个任务，让它帮我做一篇综述——《AI 在蛋白结构预测中的突破》SciClaw 会直接自己开跑了一整条很长的工作流。
在这个过程中，它会调用各种 MCP，也会使用内置的 Skill，同时去网络上检索高质量论文。
比如会调用科学写作、引用管理这一类能力，把检索到的内容整合起来，再基于这些结果去完成整篇综述的撰写。
你可以看到，在这个工作流里，它会先做一轮主搜索，先把整体框架搭出来，然后基于这个框架判断哪些方向还需要进一步展开，再针对这些分支继续去检索相关文献。
比如它会先收集 AlphaFold 和 diffusion 模型在蛋白结构预测领域的最新进展，再沿着这些进展去补充更早期的研究，把整个发展脉络一起串起来。
最终它会生成一篇完整的论文，结构包含 7 个章节，从摘要到参考文献都已经整理好。
整个论文会以 DOC 文档的形式输出，内部格式也会按学术规范来处理，比如摘要中的关键词会用斜体，参考文献部分也会按照标准的引用格式来整理。
同时，它还会单独生成这篇论文的配图，比如 AI 蛋白质结构预测的时间线，以及一张横向的深度学习发展时间线。
整体的配色、文字位置和排版结构都比较克制，看起来干净，也符合常见的学术表达习惯。
不过我发现一个点，它一开始给出的论文引用，基本都是 Nature 这一类顶级期刊，没有覆盖到更广泛的学术论文库。
这个时候就可以用它的知识库能力。你可以直接上传 PDF，把这些论文作为额外输入，让它在原本的网络检索之外，多一层补充。
如果你本地本来就有一批论文 PDF，其实可以全部喂进去。这样它在写综述的时候，就能同时结合网络信息和这些本地论文，一起做整合和扩展。
最后它会生成一版扩展版的综述文档，里面会补充更多技术细节和应用案例，同时引用数量也会明显增加，基本能达到 60 篇以上的高质量参考文献。
在输出这份最终的学术论文文档之外，它还会额外生成一份技术补充文档，里面会展开更多数学细节和算法内容。
在 SciClaw 的界面里，右侧是你和 Agent 的对话区，左侧是一个活动记录的仪表盘，下面会把所有任务节点都存进一个任务列表里。
你在过程中生成的所有内容，比如文档、图片、表格等，都会被统一记录在这个列表里，可以随时点进去查看和管理。
我注意到一个细节，高质量论文的写作本身步骤很多，工作流一拉长，上下文就会变得很大，很容易像在 Claude Code 里那样直接占满窗口。
在 SciClaw 里，也有类似的上下文压缩操作，它会在工作流过程中自动对上下文做压缩，保证整个流程还能继续跑下去。
SciClaw 其实支持多种学术文件的构建。比如你可以让它把一份技术补充文档里的内容，整理成一个结构化的 CSV 文件。
像我这次用的是一份包含数学公式、算法细节和参数信息的文档，它可以把这些内容全部提取出来，转成一个完整的表格。
最后生成的 CSV 非常细，一共整理了 81 条记录、12 个字段，从基础数学，到 AlphaFold 的模型架构、评估指标、训练资源和数据集，都被系统化地整理出来。
你甚至可以直接用它去做学术汇报，比如国际会议用的 presentation 和配套图表。
比如我这次让它基于综述内容，去做一套完整的报告，它会把 50 年的发展历程、AlphaFold 的网络结构、CASP 各届成绩对比都整理进去，同时生成对应的雷达图、饼图和时间轴，把信息一起可视化出来。
就像前面提到的，它本身已经集成了不少技能，同时也支持你自己扩展。你可以把本地的技能打包成 zip 文件直接上传，然后在技能管理里做自定义配置，比如按需开启或关闭不同的技能。
像我下面这个例子，就是它生成的一份 HTML 网页展示，内容比较完整，整体排版也还不错。我这边是额外上传了一个常用的网页 design skill，来做这一部分的输出。
这份网页的结构比较清晰，该有的配图基本都补齐了。从 AlphaFold2 到 AlphaFold3，再到 diffusion 模型，整个研究演进过程都有覆盖，关键节点和文献综述部分也会展开得更细。
整体看下来，各种信息卡片的组织也比较规整，阅读体验还可以。
SciClaw 还支持定时任务，有一个单独的任务管理栏，可以用很简单的方式去创建和编辑。你可以直接用自然语言描述要做什么，它会自动帮你把调度配置成一个完整的流程，基本是点选就能用。
比如我这边设置的是，让它每天去读我整理好的 md 文档，在里面找我研究方向的最新论文，然后逐篇整理出日期、作者和内容概述，再把这些结果持续追加到记录里，最后统一汇报给团队。
这套流程我是设成每天跑一次，基本就不用再手动跟进了。
SciClaw 和 OpenClaw 一样，也支持接入 IM 平台，目前已经支持飞书、Telegram、Discord 和钉钉。我这边是直接接了飞书，用起来比较顺手，因为之前也已经配置过类似的接入流程。
接入之后，你可以直接在飞书里和 SciClaw 对话。它不只是帮你写论文、做研究、做学术图，但高质量论文也不可能完全交给 AI，所以你还是需要做内容检查，尤其是 review 这种核心部分。
我一般会直接在飞书里让它把《AI 与蛋白质结构预测》这篇综述的 review 部分单独发给我，方便逐段去看和校对。
在这个工作流里，每一个节点都会同步发到飞书上。它会直接读取我之前写好的论文文档，从里面提取第六小节的 review 部分，再单独发给我。
同时，这一部分对应的引用文献也会一起整理出来，一并推送，方便我一起核对。
这时候你可以随时在飞书里去看它生成的 review 内容，比如我会发现第 6.2 和 6.3 小节之间不太连贯，感觉中间有一段理论没接上，就可以直接问它有没有需要补的理论 gap。
它会自己去分析这两个小节之间的问题，判断是不是存在逻辑跳跃，然后给出具体的改进建议，比如指出缺失的理论支撑，或者补充像「不开源为什么会影响可靠性」这一类关键解释。
这些 gap 会被结构化地列出来，同时它会建议插入哪些过渡段落，并给出一个重构后的章节逻辑。你可以在这个基础上继续往下走，比如让它直接修改原文、插入新内容，或者再做一轮检索，把相关文献补齐。
从整体的使用流程上来看，SciClaw 在试图做的，是项目级闭环。就是你给它一个科研项目的上下文，它能在这个项目里持续工作。
文献检索的结果会沉淀在项目里，数据分析的结论会跟之前的文献产生关联，写出来的汇报材料可以直接引用项目里已有的数据和图表。
这个逻辑一旦跑通，改变的是科研团队的协作方式。
当然，目前的 SciClaw 仍然需要成长空间，但这并不妨碍「学术项目级 AI Agent」领域的潜力。
科研学术这个领域，大家都知道 AI 一定会进来，但一直没有一个产品让人觉得「对了，就是这个」。
SciClaw 给出了一个可以持续观察的方向。
这件事最后能做到什么程度，还需要时间来验证。
但至少从方向上来看，SciClaw 在尝试回答一个很关键的问题：
科研人员到底需要一个什么样的 AI？
大概率，答案会是一个能跟着项目走、能帮你积累经验、还能把成果交出来的 co-worker。
热门跟贴