"自主智能体"在 2026 年最有说服力的落地，不是写邮件、不是订机票，而是让自主体自己去"做研究"——读文献、提假设、跑实验、写论文。这条赛道已经分裂成五条技术栈：以 GPT-Researcher 为代表的"规划—检索—综述"轻闭环、以斯坦福 STORM 为代表的"多视角对话模拟"长文生成、以 Sakana AI Scientist v2 为代表的"智能体树搜索"端到端科研、以 FutureHouse PaperQA2 为代表的"高保真文献 RAG"，以及开发者用 LangGraph 自建的"批判—精炼"反思闭环。本文按架构原理、关键代码、优缺点、变现潜力逐栈拆解，给出从个人情报到全自动科研的选型路径。
| 维度 | GPT-Researcher | STORM | AI Scientist v2 | FutureHouse PaperQA2 | 自建反思环（LangGraph） |
|---|---|---|---|---|---|
| 核心架构 | 规划器+检索器+综述器三段式 | 多视角对话模拟+大纲+长文 | 智能体树搜索+实验执行 | 高精度RAG+证据级引用 | Critic-Refine 图循环 |
| 端到端程度 | 中（停在报告） | 中（停在长文） | 高（到论文+评审） | 低（停在问答） | 可调 |
| 主要输出 | 研究简报/长报告 | 维基式长文 | 完整论文+评审意见 | 带引用的精准答案 | 任意 |
| 上手成本 | 极低（pip 装即用） | 低（CLI+Web） | 高（需 GPU+沙箱） | 低（库级调用） | 中（需设计图） |
| 单次成本 | ~$0.01–0.1 | ~$0.1–0.5 | ~$15–25/篇 | 低 | 取决于迭代轮数 |
| 变现潜力 | 内容工厂/情报SaaS | 内容矩阵/知识库 | 科研外包/复现服务 | 医法金研情报 | 训练营首选 |
| 适用场景 | 商业情报、竞品报告 | 知识科普、SEO长文 | 学术复现、ML实验 | 医学/法律文献问答 | 定制研究流程 |
GPT-Researcher 是开源深度研究智能体里"祖师爷"级别的存在，也是最适合理解自主体研究闭环的入门样本。它的核心架构是一个"瘦规划、胖检索、稳综述"的三段流水线：先让 LLM 把研究问题拆成若干子查询（planner），再用检索器并发抓取 Web 资源并做相关性打分去重（researcher），最后把聚合后的上下文喂给综述器生成结构化报告（reporter）。它的价值不在算法多新颖，而在把"人脑做研究的步骤"工程化成了可复用的 Agent Loop。
关键代码骨架清晰反映这一思路：
from gpt_researcher import GPTResearcher
import asyncio
async def main():
# "report_type" 决定综述形态：research_report / resource_report / outline
researcher = GPTResearcher(
query="2026年端侧大模型推理框架对比",
report_type="research_report",
max_sections=5,
verbose=True
)
report = await researcher.conduct_research()
print(report) # 综述正文
print(researcher.get_source_urls()) # 带引用来源
asyncio.run(main())
conduct_research() 内部依次触发 _plan_research（子查询生成）、_search（并发检索）、_scrape（内容抽取）、_synthesize（综述）。它的优点是几乎零门槛——pip install gpt-researcher 配一个 API key 即可，且输出天然带来源链接，适合做内容工厂。缺点同样明显：检索深度受限于 Web 搜索质量，缺乏跨文档推理，遇到需要读 PDF 全文或做定量分析的任务力不从心。变现潜力极高：把它包装成"行业情报日报""竞品周报"订阅服务，是个人开发者最容易跑通的商业闭环之一，训练营里也是第一个让学员"当天出活"的模块。
STORM（Stanford）走的是一条截然不同的路线。它解决的核心问题是：长文写作的瓶颈不在生成，而在"写之前的资料消化"。传统做法是"检索→拼接→生成"，STORM 把"写前阶段"拆成了一场多视角的模拟对话——系统先为给定主题生成一组"虚拟专家"角色，让它们围绕主题互问互答，每一轮对话都触发新的检索，从而把一个扁平主题"撑"成有广度、有深度的资料库；之后再生成大纲、填充长文。这种"用对话驱动检索"的思路，是把"人类记者采访"的行为模式迁移到了自主体上。
其四阶段流水线可以概括为：
flowchart LR
A[主题输入] --> B[角色生成<br/>多视角专家]
B --> C[模拟对话+检索<br/>Perspective Q&A]
C --> D[大纲生成<br/>Outline]
D --> E[长文撰写<br/>Article Generation]
E --> F[维基式长文+引用]
# STORM 的核心是"对话即检索"，简化伪代码：
from knowledge_storm import STORMWikiRunner, STORMWikiRunnerArguments
args = STORMWikiRunnerArguments(
working_dir="./storm_out",
max_search_turn=3, # 每个视角最多检索轮数
max_conv_turn=4, # 每段对话最大轮数
topic="扩散模型在药物分子设计中的应用",
)
runner = STORMWikiRunner(args)
runner.run() # 角色生成→对话检索→大纲→长文
STORM 的优势是长文结构与引用质量远超朴素 RAG，生成的内容天然带分层引用、接近某百科的"百科体"，非常适合做知识库、SEO 长文、科普矩阵。代价是 token 消耗显著高于 GPT-Researcher——一场深度对话动辄几十轮检索，单篇成本可能到几毛美金。变现方向集中在内容矩阵和机构知识库沉淀；它不太适合做需要"实时正确"的问答，更适合做"沉淀型"长资产。
如果说前两栈是"研究助理"，AI Scientist v2（Sakana AI）瞄准的是"研究本体"——从产生想法、搜索文献、写代码跑实验，到生成完整论文并模拟同行评审，一条龙全自动。v2 相比 v1 最关键的升级是引入了 Agentic Tree Search（智能体树搜索）：把"实验—观察—改进"建模成一棵搜索树，节点是实验状态，分支是不同的下一步动作，自主体在树上做带评估的探索，而不是线性地"跑一次算一次"。这一改动让它在 ICLR 2025 的一个 Workshop 上，以完全自主提交的三篇论文之一通过了同行评审，成为首个"自己写出被接收论文"的系统。
其树搜索节点的核心结构（简化自其开源仓库）：
# Agentic Tree Search 的状态节点：每个节点 = 一次实验快照 + 评估分
@dataclass
class TreeNode:
code: str # 当前实验代码
observation: str # 运行结果/日志
score: float # VLM/LM 评审打分
parent: Optional["TreeNode"]
children: list["TreeNode"] = field(default_factory=list)
def expand(self, action_proposals):
# 用 LLM 生成多个"下一步改进"候选，每个成为一个子节点
for action in action_proposals:
new_code = apply_modification(self.code, action)
obs = run_experiment(new_code) # 沙箱执行
score = self.adaptive_review(obs) # 模拟评审
self.children.append(
TreeNode(new_code, obs, score, parent=self)
)
# 选分最高的子节点继续展开 —— 类 MCTS 的"贪心选择"
return max(self.children, key=lambda n: n.score)
AI Scientist v2 的优点是真正端到端，覆盖了科研全生命周期，是"自主度"的天花板样本。缺点同样尖锐：它需要 GPU 和代码沙箱，单篇论文成本约 15–25 美元；它产生的"发现"目前仍集中在 ML 的小规模实验上，离硬核自然科学尚有距离；评审环节用的是"模拟评审"，存在自我标尺偏移的风险。变现路径偏 ToB：学术复现服务、ML 实验外包、科研自动化平台。对训练营而言，它更适合作为"压轴演示"——让学员理解"自主体可以自己迭代实验"，而非第一天就上手。
PaperQA2 走的是另一极端：不追求端到端，只把"文献检索与问答"做到极致。它是一个面向 PDF 全文的高精度 RAG 系统，关键差异在于证据级别的引用与去幻觉设计——它把文档解析成带定位的 chunk，对每个候选答案都要求"必须有出处、能回链原文"，并在评测 PaperQA 上达到了超越人类专家平均水平的科学知识综合能力。它是科研自主体的"地基"：任何想读文献的自主体，底层都缺不了一个靠谱的 PaperQA2。
其检索—问答闭环强调"证据优先"：
from paperqa import Docs, QueryRequest
docs = Docs()
await docs.aadd("path/to/paper1.pdf") # 全文解析+定位 chunk
await docs.aadd("path/to/paper2.pdf")
req = QueryRequest(
query="CAR-T 疗法在实体瘤中的主要耐药机制有哪些？",
summary_num_pixels=100000, # 控制检索颗粒度
answer_max_sources=5 # 限制引用数，强约束可追溯
)
answer = await docs.aquery(req)
print(answer.formatted_answer) # 每句话带 [n] 引用，可回链 PDF 段落
PaperQA2 的优势是答案可靠、可追溯，特别适合医学、法律、金融这类"答错代价高"的领域。短板是它本质是一个检索增强的问答器，不主动产生新假设、不跑实验，是"放大镜"而非"研究员"。变现空间集中在垂直情报（医学文献速递、法律判例问答、金融研报溯源）以及作为其他科研自主体的检索底座。训练营里，它是"让学员感受 RAG 与 Agent 边界"的最佳教具——对比朴素 RAG，能直观看到"证据级引用"如何压住幻觉。
前四栈都是成熟产品，但真实业务里，研究流程往往高度定制——你需要的是"按我的 SOP 去研究"。这时用 LangGraph 自建一个反思闭环是最灵活的选择，也是训练营里最该让学员动手的一栈。核心模式叫 Critic-Refine（批判—精炼）：生成器产出初稿 → 批判器按可检验清单挑错 → 精炼器按反馈重写 → 循环直到批判通过或达到轮数上限。这个图结构几乎可以套用到任何"需要自我质检"的研究任务（情报简报、文献综述、报告润色）。
一个可跑的最小实现：
from langgraph.graph import StateGraph, END
from typing import TypedDict, List
class ResearchState(TypedDict):
topic: str
draft: str
critique: str
sources: List[str]
round: int
MAX_ROUNDS = 3
def planner(s): # 规划+检索+初稿
s["draft"] = llm_research(s["topic"]) # 内部并发检索
s["round"] = 0
return s
def critic(s): # 用可检验清单批判：是否有引用?是否覆盖反方观点?是否有数据?
s["critique"] = llm_critique(s["draft"], checklist=[
"每个论断是否都有可点击来源",
"是否包含至少一个反面证据",
"关键数字是否有出处"])
return s
def refiner(s): # 按批判意见精炼
s["draft"] = llm_refine(s["draft"], s["critique"])
s["round"] += 1
return s
def should_continue(s): # 闸门：批判通过或超轮数则停
ok = "无重大缺陷" in s["critique"]
return END if (ok or s["round"] >= MAX_ROUNDS) else "refiner"
g = StateGraph(ResearchState)
g.add_node("planner", planner)
g.add_node("critic", critic)
g.add_node("refiner", refiner)
g.set_entry_point("planner")
g.add_edge("planner", "critic")
g.add_conditional_edges("critic", should_continue, {"refiner": "refiner", END: END})
g.add_edge("refiner", "critic")
app = g.compile()
result = app.invoke({"topic": "2026 RISC-V 端侧 AI 芯片格局"})
这个最小图的价值在于它把"自主研究"拆成了三个可单独优化的角色和一个显式的闸门。它的优点是完全可控、可观测——你能精确看到每一轮批判改了什么、为什么停；缺点是质量上限取决于你设计的批判清单与检索器，清单烂则循环再多次也无用。变现与教学价值双高：它是训练营里让学员"亲手造一个自主体"的核心作业，也是企业内部"研究 SOP 自动化"最现实的起点。
把五栈抽象出来，所有科研自主体都遵循同一套四层骨架。理解它，就能在五栈之间自由组合：
flowchart TB
subgraph L1[1 控制层 Control Loop]
direction LR
P[规划 Planner] --> X[执行/搜索 Executor]
X --> R[反思/评审 Critic]
R -- 需改进 --> X
R -- 通过 --> S
end
subgraph L2[2 知识层 Knowledge]
K1[Web 检索]
K2[PDF/全文 RAG]
K3[实验沙箱/代码]
end
subgraph L3[3 记忆层 Memory]
M1[短期:对话上下文]
M2[长期:向量化笔记]
M3[证据库:带定位引用]
end
subgraph L4[4 输出层 Output]
S[综述/长文]
T[论文+评审]
U[带引用问答]
end
X -. 调用 .-> L2
L2 -. 写入 .-> L3
R -. 读取 .-> L3
R -- 通过 --> L4
控制层决定自主体的"心智模型"：GPT-Researcher 是线性三段，STORM 是对话驱动，AI Scientist v2 是树搜索，自建反思环是 Critic-Refine 图——差异都在这一层。知识层决定它能"看"到什么：Web（GPT-Researcher、STORM）、PDF 全文（PaperQA2）、代码沙箱（AI Scientist v2）。记忆层决定它能"记住"什么：短期对话、长期向量化笔记、带定位的证据库。输出层决定它"交付"什么：综述、论文、或带引用的问答。五栈的本质区别，就是这四层各自选了不同的实现组合。
场景 A：个人/团队情报日报、竞品监控。 选 GPT-Researcher。零门槛、当天出活、天然带来源，包装成订阅服务是个人开发者最易跑通的变现闭环。预算敏感、深度要求不极端时，这是性价比之王。
场景 B：知识科普、SEO 长文矩阵、机构知识库沉淀。 选 STORM。多视角对话撑出的长文质量和引用结构远超朴素 RAG，适合做"沉淀型长资产"而非实时问答。接受较高 token 成本，换长文质量。
场景 C：医学/法律/金融等"答错代价高"的文献问答。 选 FutureHouse PaperQA2 做检索底座，必要时外层套一个自建反思环。证据级引用是这类场景的硬门槛，PaperQA2 是目前最稳的开源地基。
场景 D：学术复现、ML 实验自动化、科研外包。 选 AI Scientist v2。这是目前唯一端到端到"论文+评审"的开源系统，适合做高客单价的 ToB 服务，或作为训练营压轴演示。
场景 E：研究流程高度定制、需要严格可控可观测。 用 LangGraph 自建 Critic-Refine 反思环，底层检索按需换 Web/PDF/沙箱。这是训练营核心动手模块，也是企业"研究 SOP 自动化"最现实的起点。
落地路径建议：先用 GPT-Researcher 让团队尝到"自主体当天出活"的甜头；再上 PaperQA2 解决"答错代价高"的硬骨头；当流程稳定后，用 LangGraph 把团队的研究 SOP 固化成可控的反思环；最后在有能力时引入 AI Scientist v2 这类树搜索系统，冲击端到端科研的天花板。五栈不是替代关系，而是同一套四层骨架的不同切面——真正成熟的科研自主体，往往是"控制层学 LangGraph、知识层用 PaperQA2、检索层叠 Web+PDF、输出层按业务定制"的组合体。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。