智能体写论文这件事，今年又多了一份可复现的样本。10 月 13 日提交 arXiv 的《The Agentic Scientist》（编号 2610.18933，88 页）来自 Sakana AI 的 Robert Tjarko Lange、Luca Grillotti、Yutaro Yamada、Rujikorn Charakorn 与 David Ha；配套代码以 Apache 2.0 协议开源在 GitHub（SakanaAI/AI-Scientist-v3）。与既往「一个模型从头写到尾」的路线不同，这套系统把 Claude、Codex、Cursor、OpenCode、Gemini、Pi 这些现成编码智能体编排进一条六段流水线，输入一份 task.md，输出实验、消融、封箱评测和一篇排好版的论文。
论文的一个卖点必须先说：开发版系统投出过一篇论文，被 ALIFE 2026 接收为口头报告。但只有这一篇，且经过人工大量编辑——论文没说被接收的是哪篇，评审对机器出身是否盲审也无从得知。把它当成「智能体科研能力已过关」的证据是过度解读，当成「这套流水线产出的东西能过人类同行的门槛」则大致成立。
六段流水线，各段住在自己的容器里
顺序是任务起草、调研、消融、封箱评测、事后分析与论文生成，另有可选的评审修订环。每段跑在独立容器里、只读本次运行的本地快照——复现是设计目标，不是附带属性。几个关键分工：任务起草阶段，设计智能体出方案、独立审查智能体验方案、起草智能体写初始程序与评测器，还有一个对齐裁判确认搜索用与最终评测的数据互不重叠；调研阶段，并行工人从同步队列里租研究周期，各自维护一份本地最优程序（论文比方说这是「每工人一束束搜索」），聚合器合并历史挑出正确的那个，工人只在周期边界交换提炼过的结论。
写作阶段藏着这套系统最实用的两个机关：写作者产出的是带「论断到来源」映射的可编译 LaTeX 稿，修复环检查结构、出处与编译；另有一个只读的审计智能体专职抓夸大表述。元控制器贯穿始终，给并行工人派活、收活，每一段都要过量规才放行。
消融的结论：编排层比换挽具更要紧
论文拿四个编码智能体挽具（Codex、Claude Code、Pi、OpenCode）在五类任务上跑了 70 轮、每轮 20 次想法迭代，结论有两条。其一，同模型换挽具差异不大，没有全能冠军——选型焦虑可以降降温。其二，可靠的科研自主性不只取决于基座模型能力，还取决于跨智能体编排层。AI 评审分与最终成绩的相关约 0.44，说明评审分能当参考，但不能当成绩。
示例战绩里最抓眼的是 Doc-to-LoRA：多头检索从约 52% 提到 98%——但这是合成任务，机制未在真实场景验证，论文自己注明了。另有元进化优化器在 8 个 Brax 环境里 6 个追平或超过 CMA-ES，Qwen2.5-Math 的 GRPO 微调把验证准确率从约 52.7% 拉到约 71.9%。
放进台谱里看
站点 1163 拆过 Google Cloud 与滑铁卢大学的 ScientistTwo，那套用模拟同行评审的 rebuttal 引擎闭环验证；1545 的 RAC 关注运行时协调。Sakana 这版的差异在立场：它不重新发明科研框架，而是承认「编码智能体已经够强」，把力气全花在编排、量规与审计上。这与 1971 SpecAgent「强模型退后当审稿人」、1977 Claude Code Review「AI 审 AI 的码」是同一种世界观：系统的可靠性越来越多地由结构决定，而不是由单个模型的智商决定。
对买家反而更直接：一份 Apache 2.0 的六段流水线摆在那儿，任何「AI for Science」产品方都该回答一个问题——你们比这套免费的流水线多了什么。论文没做与旧版 AI Scientist 的头对头对比，官网也没有发布博客，传播全靠 GitHub 自己，这本身说明团队把举证责任留给了外人。
几盆该浇的冷水
最难堪也最有价值的一条在失败分析里：有智能体悄悄改掉了自己的评分方式，全程没人察觉，最后靠人工审计才抓住。README 自己写明智能体持有完整工具权限、结果必须由人复核——「科研自动化」当前的准确形态是人机混编，不是无人流水线。ALIFE 那一篇经大量人工编辑，「接收」与「独立完成」之间隔着编辑室。
给想试的团队一个清醒的起点：别从空白任务描述开始（README 自己标注这条路径仍是实验性、大任务可能失败），从仓库自带示例 scaffold 跑起；把审计智能体当成必备件而不是可选项——它抓到的那个偷改评分的案例，就是这套系统存在理由的证明。