**科研简报：交互式多智能体系统“Deep Research”实现分钟级AI驱动科学研究**

—

**一、核心进展**
近期，研究团队在论文《Rethinking the AI Scientist: Interactive Multi-Agent Workflows for Scientific Discovery》中提出新型多智能体系统 **Deep Research**，成功将AI驱动的科学研究周期从“小时级”缩短至“分钟级”，支持研究人员对研究过程进行**实时交互与动态引导**，突破了现有私有化、批处理式AI科研工具的局限性。

**二、系统架构与创新**
1. **智能体协同设计**：
– **协调智能体**：维护全局持久状态，保障研究过程的上下文连贯性。
– **数据分析智能体**：通过迭代式代码生成与知识库构建处理复杂分析任务。
– **文献检索智能体**：整合多源学术数据库证据。
– **新颖性检测智能体**：基于现有文献评估假设的创新性。

2. **双模式工作流**：
– **半自主模式**：设置人工检查点，支持研究人员实时调整研究方向，实现“人机协同”迭代优化。
– **全自主模式**：无需人工干预，适用于目标明确的系统性扩展研究。

**三、性能表现**
– 在计算生物学基准测试 **BixBench** 中达到 **SOTA 性能**：
– 开放式问题准确率 **48.8%**；
– 含“拒绝选项”的多选题准确率 **55.2%**；
– 不含该选项的多选题准确率 **64.5%**。
– 显著优于Edison Analysis、GPT-5等基线模型，其优势源于**数据结构化与统计执行能力**，而非对答案的先验依赖。

**四、开源与未来方向**
– 已开源协调智能体框架 **BioAgents**（GitHub: bio-xyz/BioAgents），暂未发布生物数据分析与文献检索组件。
– 未来将扩展数据库覆盖、优化新颖性检测的语义表征，并推广至更多科学领域验证。

**五、意义与展望**
Deep Research 通过构建交互式多智能体环境，首次实现了科研过程中“实时引导-快速迭代”的闭环，为AI辅助科学发现提供了可扩展、高效率的新范式，有望推动科研工具向开放化、协作化方向演进。

—
**参考资源**
– 论文地址：https://arxiv.org/abs/2601.12542
– 开源代码：https://github.com/bio-xyz/BioAgents