coding agent 跨界上岗：用它跑通一篇论文的完整文献调研

coding agent 跨界上岗用它跑通一篇论文的完整文献调研【免费下载链接】OpenResearchTurn your coding agents into research agents项目地址: https://gitcode.com/GitHub_Trending/op/OpenResearch把一篇论文的文献调研交给 coding agent 跑完——这在一年前还是个科研人自己也能干何必折腾 AI的伪需求如今却成了 GitHub 上日增数百星的热门工作流。原因并不在于 coding agent 突然变聪明了而在于文献调研这个任务的结构检索、筛选、精读、归纳、交叉验证、成稿本质上就是一连串文本处理与工具调用恰好是 Claude Code、Codex、OpenCode、Cursor 这类编程智能体训练已久的看家本领。真正缺的从来不是模型能力而是一个能把调研组织成可执行流程、把每一条证据落盘成可复读文件的工程框架。OpenResearch 给出的答案是把它自己的名字拆开念把 coding agents 变成 research agents。本文基于该项目源码拆解一个可落地的完整路径——从任务拆解、多 agent 分工到产出带引用链的结构化综述全程可审计。文献调研为什么是 coding agent 的舒适区先看调研流程的真实形态。一篇论文的 related work 调研通常包含确定检索词与检索源、按主题筛候选论文、精读 3–5 篇核心论文、把结论按主题织成综述、最后给每一条主张挂上可回查的引用。这五个环节里除确定研究问题外几乎全是编程 agent 早已内化的能力执行 CLI、读写本地文件、处理长上下文、在多个工具间调度。OpenResearch 对此的工程化定义体现在它向 agent 注入的会话机制里。项目的 modular skill 体系把如何做检索如何组织实验树如何写报告写成一份份SKILL.md并在每次会话开始时原样写进 session worktreeagent_skills.rs 的注释说明了这条链路The harness picks the skills subdir (.claude/skills,.opencode/skills,.agents/skills,.cursor/skills), so the sessions own agent auto-discovers them and never sees drift.也就是说agent 打开项目的那一刻工作区里就躺着文献综述怎么做的操作手册——它不需要被用户口头教导也不需要从聊天记录里猜上下文。这正是代理式科研agentic research区别于聊天式科研chat-based research的起点任务规范落在文件系统里而不是落在提示词里。把一篇论文的调研任务拆给 Agent拿到一篇待调研的论文第一件事不是检索而是拆任务。OpenResearch 的 orx-lit-review 模块把文献调研拆成了三个有预算上限的子过程1. 建检索词并估算难度。关键词检索只能用用户原话或既有工具结果中的措辞禁止猜测缩写展开语义检索则要求把用户的问题忠实压缩成一句检索描述。模块还要求对检索难度做 1–10 的估计——难度决定后续补检轮次的预算1–3 分零轮补检4–7 分一轮8–10 分两轮。这个设计非常工程化它把检索成本显式建模成了预算杜绝了 agent 无限搜索的失控。2. 多源并行检索。命令层面对应 discover.rs 中实现的四个独立原语分别对接不同学术语料orx discover keyword exact keyword query # alphaXiv 全文检索带匹配片段 orx discover embedding semantic description # alphaXiv 语义检索 orx discover openalex scholarly query # OpenAlex 跨学科引文图谱 orx discover pubmed biomedical query # PubMed 生物医学文献每个原语返回同构的 JSONsource、自路由id、标题、摘要、出版日期alphaXiv 结果还附全文匹配片段。同构的好处是主 agent 可以对不同来源的候选集做统一去重与排序而不必为每个接口写一套处理逻辑。3. 排名、去重、收敛。模块明确要求跨来源去重按精确 id → DOI/arXiv id → 规范化标题的顺序匹配且对 arXiv 重复项优先采用 alphaXiv 表示因为只有它支持全文阅读。一个关键纪律是若初始候选已提供扎实的主题覆盖立即停止并排序 5–15 篇——快且略不完整好过漫无边际的探索性搜索。这正是调研任务与普通聊天提问的本质区别调研有收敛条件探索没有。这套循环在主 agent 内部运行模块特别强调不要把检索循环委托给子 agent详见 orx-agent-delegation因为候选集的合并与排序需要全局视野分片处理会丢失跨来源的权衡信息。这是任务拆解中哪些能拆、哪些不能拆的典型边界。多工具协作四个 coding agent 的分工设计OpenResearch 与 coding agent 的集成不是套壳一个对话界面而是针对每个 agent 的机制做了适配。在 harness/mod.rs 中可以看到系统为 Claude Code、Codex、OpenCode、Cursor以及 Google Antigravity各自注册了一个 harness 适配器差异点集中在三处配置与技能落点config_home()探测~/.claude、~/.codex、~/.config/opencode、~/.cursor判断 agent 是否已配置技能目录则分别写入.claude/skills、.agents/skills、opencode 的 XDG skills 目录和.cursor/skills让每个 agent 用自己原生的机制自动发现技能。权限模型Claude Code 把规划作为五种原生权限模式之一OpenResearch 通过--permission-mode与权限桥接orx mcp-gate把允许/拒绝的决策回传给宿主界面Codex 则走approve-for-me与/orx命令式唤起。每个 agent 的默认权限契约在 harness 里被显式断言测试覆盖。模型可替换性OpenCode 的适配器支持orx-local-前缀的本地位模型路由配合 local_models.md 可以把检索与写作分别跑在云端强模型和本地小模型上——对成本敏感的个人研究者这直接决定了整个工作流能否长期运行。分工的实际收益在社区实践中已经被反复验证Claude Code 擅长长文档的规划与重写适合承担综述骨架搭建Codex 命令执行干净利落适合批量跑检索原语与整理 JSON 结果OpenCode 开源可定制适合被改造成带本地模型的默认执行器Cursor 则充当 IDE 内的人工审校界面。而 OpenResearch 的介入让它们共享同一个项目目录、同一套技能规范、同一条证据链——分工的前提是有共同的记忆否则四个 agent 只是四段孤立的对话。产出结构化综述并把引用链留成可审计证据调研的终点不是读完了几篇论文而是一份每句话都能回查到出处、每一步决策都能回放的综述。OpenResearch 在这一层的设计值得细看。精读环节强制回到原文。paper.rs 的orx paper命令按 id 自动识别来源alphaXiv 返回约 10KB 的结构化报告缺失时自动回退到抽取的全文OpenAlex/bioRxiv/PubMed 返回元数据与摘要。lit-review 模块则对引用纪律做了硬性规定只能引用实际读过的原文保留措辞与限定语禁止把不连续片段拼成连续引文禁止把生成的报告摘要当原文引用。引用目标必须使用带页号的论文查看器链接或 DOI 链接——这样每一条综述主张都有一条可点击、可核验的物理路径。证据必须落盘成文件。这一步对应 orx-reports 模块所有产出写入项目的 artifacts 目录按调研主题建子文件夹复现脚本与图表同目录存放。仓库内置的 nanochat 演示项目展示了落盘证据的完整形态——evidence/README.md 列出训练指标、评估结果、检查点元数据、分词器文件与最终推理转录而 run-manifest.json 记录了每个产物的字节数与 SHA-256 哈希明确区分打包进仓库的证据与留在运行现场的几 GB 工作区。这意味着后续任何 agent 会话都能通过清单核对证据的真实性而不必信任某个 chat 窗口里的口头转述。调研结论与实验结论同链。演示项目的 bottleneck-diagnosis 报告是这份设计的浓缩样本它先给出结论主要瓶颈是预训练不足再逐条列出仓库内证据参数量、token 比、BPB 轨迹随后把结论挂到 Hoffmann、LIMA、TinyStories 等文献解释上最后据此开出下一轮实验的具体参数。文献调研不再是论文写作前的孤立工序而是与实验树互哺的常驻环节——调研指导实验设计实验结果反过来校正调研结论。数据主权调研资产留在本地才谈得上可复现这套工作流还有一个常被忽略但决定生死的前提数据主权。OpenResearch 的定位是 local-first——项目、对话、实验、日志、产物全部落在本地 SQLite 与 Git 仓库中官方遥测仅发送与随机安装 ID 绑定的粗粒度事件不包含代码、提示词、文件内容或路径。对文献调研而言这意味着两点一是 PDF、笔记、检索缓存这些敏感资产不经过第三方云二是三年后重跑实验的承诺依然成立——所有状态可版本化、可审计调研过程本身成了研究对象。对个人研究者落地成本并不高orx up注册项目、orx create-experiment建立调研/实验节点、orx project edit固定 run commandorx-create。一旦进入循环节点冻结规则被运行回答过的节点永不再编辑与实验树形状规则轮内扇形、轮间下沉就会开始约束 agent 的行为——这些约束不是流程洁癖而是保证每次实验改动都可 diff、每个结论都有唯一对应代码版本的工程强制力。最后要泼一盆冷水编码 agent 擅长的检索—筛选—归纳—引用只是调研的机械层。研究问题本身的定义、检索词背后的判断、综述主张的学术立场取舍仍然需要人坐在主驾驶位。OpenResearch 的纪律清单里那句禁止发明或回忆一个 id不要凭空脑补翻译成通用语言就是——AI 负责让过程可复现人负责让结论可信。把这句话想清楚再上手coding agent 的这次跨界上岗才能真正跑通一篇论文的文献调研。【免费下载链接】OpenResearchTurn your coding agents into research agents项目地址: https://gitcode.com/GitHub_Trending/op/OpenResearch创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考