作者 | 程茜
编辑 | 李水青
DeepSeek和GPT合体写论文了！
智东西5月27日报道，昨晚，DeepSeek资深研究员陈德里（Deli Chen）放出一篇他和Agent合写的45页论文，其中99%内容都是CodeAgent所写。
论文题目是《从Copilots到同事：自主科研智能体综述（From Copilots to Colleagues：A Survey of Autonomous Research Agents）》，作者是陈德里、DeepSeek-V4-Pro、GPT-Image2。
陈德里还特意发了免责声明：这篇论文绝非严谨学术论文、不代表任何公司或组织观点，只是出于兴趣以及顺便测试下他搭建的DeliAutoResearch。
他透露，论文共迭代6次，耗时6天搞定，而初稿仅用了76分钟。期间智能体累计运行约108轮、消耗Token约64.8万、LaTeX代码共2234行，最终成品45页，其中包含7个图标、4个表格，文件大小538KB。陈德里也不禁感叹，同样的工作以前至少需要一个月才能完成，而这次他本人的“CPU运转时长”不到2小时。
陈德里是DeepSeek-V1、V2、V3、V4、DeepSeek-R1、DeepSeek-Coder、DeepSeek-MoE架构的核心贡献者，他曾获得北京大学信息管理学士学位及计算机科学硕士学位，曾在腾讯担任微信AI研究员。
这篇论文梳理了机器学习、软件工程、科学发现三大领域共计105篇相关文献，陈德里称已经对这些文献进行了验证。其核心目的是为能够自主开展研究的AI智能体提供统一的分析框架，主要有四项研究成果：
1、提出一套五级自主能力分级体系（L1–L5），层级从代码自动补全延伸至完全自主制定研究规划，为各类系统的界定与对比提供规范的术语标准。
2、剖析了四大主流架构模式：单智能体循环、多智能体协作、分层调度编排、工具增强执行；同时搭建对比分析框架，评估各类架构在可扩展性、成本、稳定性及人工监管方面的优劣取舍。
3、基于六维特征矩阵，对17款主流系统展开分析。研究结果表明，当前前沿系统普遍处于L4级别（限定领域内可完成多步骤自主执行），而L5级别仍停留在目标构想阶段。
4、梳理出六大核心待解难题：认知死循环、上下文窗口限制、创新价值评估、结果可复现性、安全风险与使用成本，并针对每项难题给出具体研究方向。
其研究分析发现，实现L5级自主能力的核心瓶颈并非模型基础性能，而是在于长效知识沉淀、可靠的自我评估能力，以及具备理论支撑的智能体架构规模化方案三大难点。
不少开发者纷纷在陈德里的评论区下面求开源。
论文：https://victorchen96.github.io/auto_research_survey.pdf
一、当前系统多为能独立产出论文的L4级，已有系统展现出L5级特征
论文将自主研究智能体定义为：一类软件系统，在接收到高层级研究目标后，能够独立执行科学探究的迭代闭环，包括假设生成、实验设计、执行、分析与迭代优化，且在执行流程中仅需极少、甚至完全无需人工干预。
自主研究智能体的五级自主能力分级体系（L1–L5），是基于两个维度：
一是智能体可对什么内容独立做出决策，二是智能体在无需人工审核介入的情况下，可持续自主运行多久。
L1的典型代表是GitHub Copilot等代码补全工具，这一层级中智能体可运行单个token或单行文本，核心能力是对人类撰写文本后续内容的预测，且人类完全主导内容的方向、结构与正确性。
论文中提到，从CodeX演化而来的代码补全模型，在受控编码任务中可实现30%-55%的效率提升，但无法独立完成多步骤目标。
L2的代表是带插件的ChatGPT、支持工具调用的Claude等对话式AI助手，智能体能够将定义清晰的任务拆解为多个步骤并执行，但每一步都需要人工的显式或隐式审批。
其能力包括网页搜索、代码执行、信息整合，全程需要人类引导对话、验证中间结果。
L3是代码智能体，这之中，智能体可自主执行10-100个连续动作，仅在预设的检查点、或遇到不确定情况时，才请求人工审核。其能自主查看代码仓库、编辑文件，无需人类逐步骤审批。
L3与L2级的核心区别在于：智能体可自主做出决策，例如选择编辑哪个文件、如何修复测试失败，无需逐步骤获得人工批准；人类仅保留监督权。
L4的代表是AI Scientist系统、Devin、SWE-Agent等，可自主生成研究思路、撰写论文、运行实验、产出完整论文，甚至完成自动化同行评审，全流程无人工干预。
这一层级的智能体接收到研究目标后，可独立运行数小时至数天，包括自主从故障中恢复、迭代优化策略、最终产出完整的研究成果。人类仅需评估最终输出结果，无需全程监督执行过程。
L5是自主能力的最高等级，智能体不仅能执行研究任务，还能自主选择研究问题、在多个项目间分配资源、基于过往成果持续迭代。
其研究显示目前尚无系统达到这一层级，可自主生成难度递增任务学习课程的智能体Voyager，可基于过往成功程序迭代发现新数学构造的智能体FunSearch已经展现出了L5的部分特征。
二、四大主流架构可适配不同层级系统
论文归纳了四大主流架构模式：单智能体循环（ReAct/Reflexion）、多智能体协作（MetaGPT/AutoGen）、分层编排（Supervisor-Worker）、工具增强执行（CodeAct）。
单智能体循环（ReAct/Reflexion）：这是自主智能体中最简单、应用最广泛的基础架构，由单个语言模型迭代执行“观察环境→推理下一步动作→执行动作→吸收反馈”的闭环流程，是绝大多数L3-L4级系统的核心架构。
尽管架构设计简单，但它是绝大多数L3-L4级系统的核心骨架，且在推理策略上存在大量可优化、可变化的空间，适配性极强。
多智能体协作（MetaGPT/AutoGen）：多智能体系统可以将任务责任拆分给多个专业化智能体，通过智能体间的通信与协作完成目标。
分层编排（Supervisor-Worker）：随着任务复杂度不断提升，扁平化的多智能体通信模式会逐渐失效，分层编排引入了明确的监督管控关系：由一个高层监督者智能体负责拆解任务，将子任务分配给专业化的执行者智能体，同时监控任务进度，并在必要时介入调整。
最后是工具增强执行（CodeAct）：这是自主研究智能体的核心标志性特征，是其与外部工具、外部环境交互的能力。工具增强执行将语言模型从被动的文本生成器，转变为计算与物理工作流中的参与者，再加上其可以外接代码、实验、网页，能力上限最高。
总的来看，L2级系统用简单的单智能体循环即可高效运行，L3级系统采用Reflexion，可天然嵌入检查点机制，收益最大，L4级系统通常需要分层编排架构，搭配自主迭代优化，才能在长时间自主运行中维持输出质量，理论上的L5级系统大概率需要具备自重组能力的图结构架构才能实现。
三、三大结论：开闭源差距收窄，专用智能体超越通用，代码智能体最成熟
基于六维特征矩阵，论文对17款主流系统展开分析，六维特征包括前文提到的L1-L5自主等级、核心应用领域、架构模式、工具集成广度、评测方法论、开源属性。
其得到三大结论：
首先更聚焦某一领域的系统，能力上限更高，其中，代码智能体在所有维度中表现最优，受益于自动化评测体系、成熟的工具环境、大规模基准测试的支撑，是当前行业最成熟的赛道。
其次领域专用智能体全面超越通用智能体，SWE-Agent、Coscientist、FunSearch等L4级系统均通过收缩应用范围实现了稳定输出，AutoGPT、BabyAGI等通用智能体，始终无法在多样化任务中实现稳定的L4级运行。
最后，开源与闭源的差距正在收窄，开源系统OpenHands的性能表现已经非常接近Devin等闭源系统。
在评测体系方面，论文提到了需要聚焦三大核心方向：
多维度指标：联合评估创新性、正确性、效率、安全性，而非单一维度的优化；长周期评测：追踪智能体在长期科研项目中的表现，而非孤立的单次任务；社群化评估：将专家反馈循环嵌入评测流程，建立行业共识的评估标准。
论文最后还给出了智能体系统六大核心待解难题：认知死循环、上下文窗口限制、创新价值评估、结果可复现性、安全风险与使用成本。
其中认知死循环、原创性评测、安全问题最为关键，因此认知循环问题使得智能体仍无法识别自身陷入困境，只会在失败策略上持续坚持，而非寻找全新方法；再加上其没有可靠的自动化指标，能衡量科研成果的质量与原创性，导致智能体无法在闭环中实现自我改进；最后随着智能体能力提升，其安全边界与伦理风险愈发突出。
结语：双AI协作产出完整论文，智能体真变身科研同事了
陈德里此次的实验，让智能体实现了从想法到完整论文的自主产出，其仅投入2小时人类思考时间，通过双AI协作就产出了AI科研综述论文，证明了AI从工具进化为“科研同事”的可行性。
AI此次面对长周期、长流程的复杂工作，最后生成的论文逻辑清晰且没有跑偏，展现出了超长文本处理、长流程持续执行、全程逻辑统一的核心能力。
在科研智能体领域，陈德里不仅用有趣的实验展现出了科研智能体的能力，还通过完整的论文分析解读展现出当下这一领域发展的现状及痛点，可以说是双管齐下，或为后续智能体的研究提供了新颖的参考方向。
