探索研究
从一个模糊的想法开始，明确问题、梳理文献，提出可以验证的猜想。
问题定义 · 多源检索 · 研究分支
借助科研蜂群，
探索你想研究的一切
从一个问题出发，走得更深。
让文献、猜想与实验协同推进。
从好奇心出发，把每一步连接起来
文献研究主张与证据本机实验持续深入
开始使用
选择一个起点，展开你的下一场研究。
复现预检
从一篇论文开始，核对目标、材料与环境，设计可执行的小实验。
条件核对 · 执行协议 · 实测记录
已有材料核验
从手边的资料开始，整理证据与缺口。未配置模型，也能查看已有记录。
本地材料 · 证据审阅 · 研究档案
借助智能体，
深入你的研究
为真正值得深入的问题而打造
用自然语言说出你的想法，把模糊的问题整理成明确的研究需求。让背景、文献、目标与可证伪主张各就其位，再开始下一步。
科研蜂群研究需求
小模型能否通过更好的训练策略，提升推理能力？
先明确研究范围。我们可以从训练策略、计算预算和评价方式三个方向梳理。
继续讨论…↑
研究需求自动保存 · v1
研究问题
在固定计算预算下，比较不同训练策略对小模型推理能力的影响。
研究边界
评价与证据
专为分支式研究而设计
围绕你的问题，让文献、主张、取证与实验分工推进。在一处查看研究结构，进入任意节点讨论，或从这里继续深入。研究不必只有一条路。
小模型的推理能力选择节点，查看依据
让实验回到真实的数据
把计划变成可以检查的执行过程。记录脚本、原始数据、指标与日志，核对实际产物，也如实保留失败和资源缺口。运行成功，不等于科学结论已经成立。
实验环境数据与执行记录
对照实验与指标示意图 · 非实测
实验概览运行日志执行凭据
protocol.py · 执行脚本
observations.csv · 原始数据
execution-receipt.json · 执行凭据
SHA-256 · 产物与脚本校验
observations.csv · 原始数据
execution-receipt.json · 执行凭据
SHA-256 · 产物与脚本校验
改变方向，不必抹掉来路
研究主张、证据和产物都有自己的版本。修改前预览影响，只调整相关分支。旧证据留在原来的语境中，让下一轮研究站在已有工作的基础上。
主张与证据研究历史
研究方向的每一次演进版本记录
v1 · 更长的思考能改善推理吗？旧证据保留在原版本，判断尚待复核。
v2 · 在固定计算预算下进一步比较研究条件已更新，相关证据需要重新审阅。
把材料与实验，
带进同一个研究工作区
导入已有材料，检索相关论文，配置本机实验资源。让每一份资料都进入有上下文的研究过程，而不是散落在对话之外。
PDF论文全文
CSV原始数据
MD研究需求
PY实验脚本
JSON执行凭据
ZIP研究档案
使用远程模型时，相关材料可能发送给模型服务。研究记录保存在本机。
从问题到成果，
在同一处继续
四种工作状态，一场不断深入的研究。
了解更多
科研蜂群和普通 AI 问答有什么不同？
科研蜂群以持续的研究任务为单位，把需求、研究分支、证据关系、实验和产物保存在同一个工作区。你可以查看判断依据、进入节点继续讨论、调整方向，并保留研究历史。
“蜂群”意味着很多不同的模型吗？
不一定。这里的蜂群指研究中的分工与协作结构，一个模型也可以承担不同角色。同模型复核会明确标记，不当作独立验证；配置不同模型，也不自动证明它们在判断上独立。
能保证论文复现或科学结论成立吗？
不能。当前复现能力定位于预检与小实验，受数据、硬件和预算约束。报告与论文内容是可审阅草稿，实际执行、模型复核和用户确认，都不等于科学有效性或达到投稿标准。
材料会离开我的电脑吗？
研究记录保存在本机。调用远程模型时，相关文本、证据与实验材料可能发送给模型服务；论文检索也需要联网。只有使用本机模型且不进行外部检索、下载或依赖安装时，才属于纯本机路径。
开始使用需要什么？
需要 Python 3.10+。Windows 双击项目中的 start-research.cmd；Linux 在项目目录运行 bash start-research.sh。项目附带前端构建文件，正常使用不需要 Node.js。模型研究需要配置可用模型服务；未配置时仍可核验已有材料。