ResearchPilot：基於阿里雲與多智能體協作的 AI 科研 Idea 發現與驗證平台

简介： ResearchPilot是基于阿里云与AI Agent的科研辅助平台，面向研究生、科研人员及算法工程师，解决选题模糊、文献低效、创新难判等痛点。通过多Agent协同工作流（方向解析→Idea生成→独立评审→文献核查→实验设计），将研究兴趣转化为可验证、可追溯、适配算力约束的结构化实验计划。已实现交互式前端Demo，正接入阿里云百炼大模型及函数计算、OSS等服务。

ResearchPilot：基于阿里云与 AI Agent 的科研 Idea 发现与验证平台

参赛方向： 云计算、人工智能、云上开发、AI Agent 应用

项目名称： ResearchPilot——基于阿里云与 AI Agent 的科研 Idea 发现与验证平台

项目类型： AI 科研辅助工具 / 多 Agent 协作系统

项目状态： 已完成可交互前端 Demo；阿里云云端部署与大模型服务接入待实施。

一、项目简介

ResearchPilot 是一个面向高校研究生、科研人员及 AI 算法工程师的智能科研辅助平台，旨在解决科研选题过程中研究方向模糊、文献调研效率低、创新点难以判断、实验方案设计缺乏系统性等问题。

传统科研选题通常需要研究者在学术搜索引擎、论文管理工具、大语言模型和实验记录系统之间反复切换。通用大语言模型虽然能够快速生成研究想法，但也可能出现文献引用不准确、研究缺口判断缺乏证据、方法设计不可验证等问题。

针对这些痛点，ResearchPilot 参考 CCFA-Skills 的技能化科研工作流设计思路，将科研选题过程拆解为研究方向解析、Idea 生成、独立评审、文献核查、实验设计和研究诚信审查等环节，形成从研究想法到可执行实验计划的完整工作流。

项目采用前后端分离的云上架构设计，计划基于阿里云百炼提供大模型能力，并结合阿里云函数计算、对象存储等服务实现模型调用、网页部署和项目数据管理，逐步构建具备可扩展性、可追溯性和可验证性的 AI 科研工作平台。

项目当前已完成可交互前端 Demo，支持候选 Idea 展示、详情分析、方案对比、文献管理、实验规划和项目导出。下一阶段将完成阿里云服务接入与真实文献检索能力建设。

二、需求分析

2.1 真实应用场景

项目主要面向以下三类用户：

高校研究生： 在研究方向初期寻找可行的研究问题，明确论文选题与实验路径。
科研人员： 对现有研究方向进行拓展，寻找潜在研究缺口，比较不同方法路线。
AI 算法工程师： 在有限算力和研发周期下评估新技术方向，制定最小验证实验。

以个性化视觉语言模型、多模态大模型和长视频理解为例，研究者可能希望探索模型在用户偏好记忆、跨场景身份一致性或长期个性化方面的问题。

ResearchPilot 不仅生成候选研究方向，还会进一步拆解问题背景、已有方法的局限、核心研究假设、候选技术路线和验证实验，帮助研究者将模糊的研究兴趣转化为可执行的研究计划。

2.2 现有方案的不足

第一，通用大模型的科研输出缺乏完整证据链。

模型能够提出看似合理的创新点，但未必充分检索已有工作，难以可靠判断某个研究问题是否已经被解决。

第二，科研流程分散。

研究方向分析、论文搜索、创新性评估和实验设计通常由不同工具完成，缺少统一的数据结构和任务衔接机制。

第三，Idea 质量缺乏可验证的评价标准。

仅通过模型生成的评分难以判断研究价值。真正有价值的选题需要能够明确研究假设、对照基线、关键指标和失败条件。

第四，资源约束考虑不足。

部分研究方案需要大规模训练、昂贵的算力资源或难以获得的数据，不适合研究早期或资源有限的个人研究者。

2.3 项目目标

ResearchPilot 希望实现以下目标：

将自然语言研究方向转换为结构化 Research Brief。
生成具有不同研究机制的候选 Idea，减少同质化输出。
建立候选 Idea 与相关论文、研究假设之间的关联。
设计可以验证或证伪核心假设的最小实验。
根据用户的研究周期、算力和目标投稿方向筛选研究方案。
通过云端模型服务和模块化 Agent 架构降低后续扩展成本。

三、技术方案

3.1 整体架构

项目采用模块化的云上应用架构，主要分为前端交互层、业务服务层、AI Agent 工作流层和数据存储层。

                   用户
                    |
                    v
          ResearchPilot Web 前端
          Next.js / TypeScript
                    |
                    v
            业务 API 服务层
                    |
          +---------+----------+
          |                    |
          v                    v
   AI Agent 工作流        项目与数据管理
          |                    |
    +-----+------+             v
    |     |      |       PostgreSQL
    v     v      v
  Idea  文献   实验设计
  生成  检索   与验证
    |     |      |
    +-----+------+
          |
          v
    阿里云百炼大模型服务
          |
          v
  结构化结果与证据链返回前端

上述架构为目标部署架构。当前前端 Demo 已实现部分交互，真实后端服务、模型调用与数据库仍需接入。

3.2 技术栈

技术模块	选型	用途
前端	HTML、CSS、JavaScript；正式版可升级为 Next.js + TypeScript	页面交互、Idea 展示、方案对比
后端 API	Python FastAPI	统一处理研究任务、模型调用和数据读写
大模型服务	阿里云百炼（计划接入）	研究方向理解、Idea 生成、独立评审
Agent 工作流	模块化任务编排	组织多阶段科研任务和结果交接
论文检索	学术元数据 API 与可访问论文全文	相关工作搜索和证据核查
关系型数据库	PostgreSQL（正式版规划）	项目、Idea、论文引用和实验记录
云端静态资源	阿里云 OSS（计划接入）	网页静态资源存储和访问
云端 API 运行环境	阿里云函数计算 FC（计划接入）	承载轻量 API、模型请求代理和异步任务入口

具体服务的可用地域、产品配置、调用权限及费用将在实施阶段核实。

3.3 阿里云产品应用方案

本项目以阿里云作为计划采用的云基础设施和大模型服务平台，重点使用以下产品。

（1）阿里云百炼：大模型能力

阿里云百炼计划作为项目的统一模型服务入口，承担科研文本理解、候选 Idea 生成、研究方案评审和实验计划生成等任务。

具体应用包括：

解析用户提交的研究方向、算力约束和研究目标。
按固定结构生成研究问题、研究假设、候选方法和实验方案。
对候选 Idea 进行独立评审，识别逻辑漏洞和潜在重复研究。
将复杂科研任务拆分为多个阶段，减少单次长 Prompt 带来的不稳定性。

模型输出采用结构化 JSON 格式，便于前端展示、数据存储和后续自动评估。

需要注意，大模型负责提出和分析研究假设；文献是否支持某项结论，仍需通过真实来源进行核查。

（2）阿里云函数计算 FC：轻量业务服务

计划使用函数计算承载部分轻量后端 API，例如：

接收研究方向和用户约束。
调用百炼模型服务。
对模型返回内容进行格式校验。
返回结构化 Idea 结果。
执行轻量数据处理和任务状态更新。

将模型调用与前端分离，可以避免在浏览器中暴露 API 密钥，并为后续增加限流、鉴权、日志和异常处理提供基础。

对于需要长时间运行的文献检索任务，将根据实际执行时长和并发需求选择合适的异步任务方案，不将所有任务强行放入单次函数调用。

（3）阿里云对象存储 OSS：静态网页与研究成果

计划使用 OSS 保存和发布前端静态资源，并根据实际需求存储用户主动上传的论文文件、导出的研究计划和实验报告。

通过配置静态网站访问或配合其他托管服务，可以为用户提供浏览器访问入口。

对于包含个人研究资料或尚未公开的论文文件，正式部署时将设置访问权限，避免通过公开链接暴露私有内容。

（4）云上架构的价值

阿里云产品的引入主要解决三个问题：

统一服务入口： 通过云端 API 连接前端与大模型服务。
降低部署门槛： 利用托管计算和对象存储减少自建服务器及运维工作。
支持渐进式扩展： 随着用户量和任务复杂度增加，再引入数据库、异步任务和监控体系。

当前上述阿里云接入属于计划实施内容，尚不能认定为已完成的云端部署成果。

四、核心功能设计

4.1 研究方向解析与 Research Brief

用户填写研究方向后，系统提取以下信息：

研究领域与目标问题。
目标会议或期刊。
当前研究阶段。
可用算力与时间预算。
期望的研究类型，例如新方法、Benchmark、机制分析或效率优化。

系统将这些信息组织为统一的 Research Brief，作为后续 Agent 的共享任务上下文。

4.2 多路线 Idea 生成

系统针对同一研究方向生成多条具有不同机制的候选研究路线，而非简单更换标题。

每条 Idea 包含：

Problem：研究问题。
Gap：待核实的研究缺口。
Insight：核心研究假设。
Method：候选技术路线。
Experiment：验证方案。
Risk：潜在风险与失败条件。

生成阶段不直接宣称某个 Idea 具有原创性，而是将其标记为候选方案，等待后续评审和文献核查。

4.3 Idea 独立评审与比较

系统通过独立评审任务，从问题价值、机制清晰度、可验证性、资源适配度、文献差异证据和风险可控度等维度分析候选方案。

用户可以对多条 Idea 进行横向对比，并根据研究资源、实验成本和研究目标调整排序。

评审结果主要用于辅助决策，不将模型评分直接解释为论文录用概率。

4.4 文献检索与证据链

文献模块计划通过真实学术数据源检索相关工作，并记录论文标题、作者、发表状态、来源链接和检索时间。

系统进一步分析候选 Idea 与已有研究之间的联系，包括：

哪些论文支持研究问题的重要性。
哪些论文可能已经提出相似方法。
哪些结论仍缺少足够证据。
哪些差异需要通过更深入的阅读才能确认。

每个研究缺口都需要关联证据或明确标注为待核实，减少模型生成虚假创新点的风险。

4.5 实验设计与最小验证

系统根据候选 Idea 生成初步实验计划，内容包括：

研究假设。
数据集与评价指标。
对照基线。
消融实验。
计算资源与时间预算。
预期现象和失败判据。

项目强调先验证核心假设，再决定是否扩大实验规模，帮助研究者减少在错误方向上的时间和算力投入。

4.6 项目管理与成果导出

用户可以在统一工作区中管理研究项目、收藏候选 Idea、记录实验进度并导出 Markdown、JSON 或 CSV 格式的研究材料。

这使平台不仅用于一次性生成内容，还可以作为长期研究过程中的选题和实验规划工具。

五、AI Agent 工作流

ResearchPilot 采用职责分离的多阶段工作流设计，参考 CCFA-Skills 中科研任务的技能化组织方式。

Agent 角色	主要任务	主要输出
Idea Optimizer	发展候选研究方向	结构化候选 Idea
Idea Reviewer	分析逻辑漏洞和潜在贡献	评审意见与风险清单
Literature Searcher	搜索相关论文	文献列表与证据链接
Experiment Designer	设计最小验证实验	实验协议与指标
Integrity Auditor	核对引用与结论依据	证据核查报告

工作流执行顺序为：

接收用户研究方向并构建 Research Brief。
生成多条候选研究路线。
由 Reviewer 对候选路线进行独立分析。
检索相关论文并检查潜在重复研究。
生成实验方案并设置失败判据。
汇总证据、风险和可行性，供用户决定是否推进。

在正式实现中，各 Agent 将通过统一数据结构交接结果，并记录任务状态、模型输出和引用来源。对于缺少证据的结论，系统将保留待核查状态，而不是自动判定为成立。

六、项目创新点

6.1 从一次性内容生成转向科研决策工作流

传统 AI 工具更关注快速生成答案。ResearchPilot 将科研选题拆成生成、评审、核查和实验设计等阶段，强调研究想法能否被验证。

6.2 将创新性判断转化为证据核查问题

系统不简单给出“创新性高”这样的结论，而是尝试建立 Idea 与近邻论文之间的联系，要求研究缺口具有明确证据。

6.3 强调可证伪的最小实验

系统优先寻找能够验证核心假设的低成本实验，帮助研究者在投入大量训练资源前识别不可行路线。

6.4 根据研究者资源进行个性化规划

研究周期、算力和研究阶段均纳入候选方案的筛选条件，使研究计划更贴近实际约束。

6.5 通过云端服务实现模块化扩展

采用阿里云百炼与云上计算、存储服务的规划架构，将模型能力与前端解耦，为后续替换模型、扩展检索源和增加用户提供基础。

七、实现情况与验证方式

7.1 当前已完成内容

目前已完成可交互前端 Demo，主要包括：

研究方向输入与候选 Idea 展示。
Idea 详情与评审内容切换。
多条候选方案对比。
文献条目管理与核验状态展示。
实验计划与 Checklist。
研究项目切换及成果导出。
CCFA 风格的多 Agent 工作流演示。

现阶段 Idea 生成采用本地模板，文献模块包含演示用占位数据。以上功能已完成基础浏览器交互检查，但尚不代表真实科研质量已经通过评估。

7.2 Demo 与项目材料

前端 Demo：ResearchPilot HTML 原型
完整项目包：ResearchPilot Demo ZIP
产品设计方案：详细设计 Plan
使用说明：README
界面截图：Demo Screenshot

7.3 后续验证计划

正式版本将从以下维度开展验证：

评估维度	验证方法
Idea 可执行性	邀请研究者对候选方案进行人工评估
文献准确性	抽样核对论文来源、引用和相关性
重复研究风险	检查候选方案与近邻工作的差异
实验可验证性	评估假设、指标和失败判据是否完整
云端稳定性	测试 API 成功率、异常处理和并发行为
使用效率	比较使用前后完成初步选题分析的时间

在完成实际测试之前，不对性能提升比例、准确率、成本节省或用户规模作未经验证的承诺。

八、项目价值与应用前景

8.1 科研效率价值

ResearchPilot 希望减少研究者在初步选题阶段反复切换工具、整理文献和构建实验方案的工作量，将更多时间用于论文阅读、方法实现和实验验证。

8.2 算力资源价值

通过最小实验优先的研究策略，项目尝试帮助研究者尽早识别不值得继续投入的方案，减少无效训练和重复实验。

8.3 教育与科研协作价值

平台可以用于研究生选题讨论、课题组内部 Idea 评审以及实验计划整理，帮助研究团队形成结构化的研究记录。

8.4 云上应用价值

通过接入阿里云大模型服务和云端计算、存储能力，平台可以从本地演示逐步升级为可远程访问、支持多用户和持续迭代的科研辅助应用。

九、项目开发计划

第一阶段：完善前端 MVP

完善输入、候选 Idea、详情、对比和导出流程，统一数据结构。

第二阶段：接入阿里云百炼

建立后端 API，完成真实大模型调用、结构化输出和错误处理。

第三阶段：建设文献证据链

接入学术论文数据源，实现真实论文检索、引用核查和近邻研究分析。

第四阶段：完成云端部署

使用阿里云 OSS 发布静态资源，根据实际需要通过函数计算承载 API，并补充权限管理、日志与异常监控。

第五阶段：开展质量评估

通过研究者人工评审、文献核查和最小实验测试，逐步评估平台对科研选题流程的实际帮助。

十、总结

ResearchPilot 面向真实科研选题场景，尝试将大语言模型从单次内容生成工具转变为结构化的科研辅助工作流。

项目的核心价值在于：将研究方向转化为候选 Idea，将候选 Idea 转化为待验证假设，再将研究假设转化为可执行的实验计划，并通过文献证据和失败判据帮助用户判断是否值得继续投入。

项目已完成可交互前端原型，后续将以阿里云百炼作为大模型服务入口，并结合阿里云计算与存储产品完成云端部署和真实科研能力接入。

ResearchPilot 希望探索一种更加系统、透明、可追溯的 AI 科研辅助方式，让 AI 不仅能够提出研究想法，还能帮助研究者更快地判断哪些想法值得验证、哪些方向应该尽早放弃。

项目 Demo： ResearchPilot HTML 原型

项目源码包： 下载 ResearchPilot Demo ZIP

项目文档： 详细设计方案