知沿学术FrontierScholar
← 全部文章

知沿学术：把科学前沿带给你的 AI Agent

找到相关论文只是开始。要弄清一个领域如何发展至今、当下什么最重要、还有哪些问题悬而未决，则要花更多功夫。对 AI agent 来说更难：网页搜索给的是零散的链接和摘要，一篇论文 PDF 动辄几万个 token，又没有结构，agent 很难在有限的 token 预算内看清一个领域的全貌。

知沿学术（FrontierScholar）是一个为 AI agent 构建的科研知识库。我们把海量论文组织成一张有结构的研究地图：领域、主题、细分方向逐层展开；每个细分方向都有研究问题、方法流派、数据集与基准的专页，以及一页“研究前沿”，写明正在兴起的方法和尚未解决的问题。页面上的每个结论都能追溯到原始论文。agent 通过一个命令行工具 fs 来浏览、检索和阅读这张地图。

首个版本覆盖约 101 万篇计算机科学论文，免费使用，无需注册。

从庞杂的论文海洋到有结构的研究地图，agent 通过 fs 命令行进入
图 1：从庞杂的论文海洋，到 agent 可以自主探索的研究地图

一张 agent 可以自主探索的研究地图

  • 按研究方向组织：每个细分方向把它的关键问题、方法、基准和新兴方向放在一起，并相互关联。
  • 帮 agent 看清进展：追踪一个方向的发展、比较不同方法、找出还没解决的问题；每一处判断都附上支撑它的论文，可以回到原文核对。
  • 日期清晰：每篇论文都标有首次公开日期，可以按日期筛选，比如只看某个时间点之前的工作。

下面看两个例子。

例一：递归自我改进（recursive self-improvement）。 问 agent：“递归自我改进现在走到哪一步了？还有哪些问题没解决？”它会在地图上一步步找到答案：

图 2：从问题到原文证据，只需四步（递归自我改进）
  1. 找到方向：fs search wiki --level subtopic "self-improvement"，定位到“人工智能 → AGI 理论与机器意识 → 递归自我改进”。
  2. 看全貌：fs read …/recursive-self-improvement，可以看到这个方向的 123 篇论文，以及研究问题、方法、资源和研究前沿等页面。
  3. 读前沿：fs read …/recursive-self-improvement/frontier.md，页面列出正在兴起的方法和尚未解决的问题，以及每个问题最早由哪篇论文提出、有多少论文支撑。比如正在兴起的“模型与 harness 共同进化”，以及 2026 年 3 月才提出的开放问题：如何区分真正的自我改进和表面上的改进。
  4. 核对原文：fs read 2609.34924，打开前沿页引用的这篇 2026 年 9 月的论文 [8]，对照作者的摘要核实：“Rewriting scaffolding (tools, verifiers, decomposition) expands what an agent reaches without touching a weight”。

例二：AI 科学家（自动化科研）。 问：“端到端的 AI 科学家系统，主流做法有哪些？还有哪些问题没解决？”

图 3：同样的四步（AI 科学家系统）

agent 定位到“人工智能 → AI 驱动的科学发现 → 端到端 AI 科学家系统”（360 篇论文）。前沿页显示，正在兴起的方向包括可自我进化的科研 harness 和基于证据的结论准入；在开放问题中，“验证并不独立于生成”有 9 篇论文支撑，最新一篇发表于 2026-10-08。用 fs read 2610.11253 打开这篇论文 [9]，摘要中写道：“explanation rubric rewards a distinction no legal experiment can make”。

四条命令，就能从一个问题追溯到原文证据。前沿页是我们对论文的综合整理，摘要则是作者原文；两者分开标注，agent 引用时能说清依据来自哪里。

在三类科研场景上的表现

我们在三类场景、四个公开评测集上测试了知沿学术：

  • 论文检索：找到相关工作，并了解它们在整个研究领域中的位置（AutoResearchBench 的 Wide Research 子集 [1]、RealScholarQuery [2]）。
  • 报告生成：围绕一个主题写出有结构、有引用支撑的综述，覆盖进展、主流方法和挑战（ScholarQABench [3]）。
  • 研究构想：结合已有工作、新兴趋势和未解决的问题提出研究方案（IdeaScientist [4]）。

我们对比了同一个 coding agent 的两种配置：接入知沿学术（Agent + 知沿学术），以及只使用网页搜索与抓取（Agent + 网页搜索与抓取）。此外还对比了 Google AI Studio（Gemini，开启 Google 搜索）[7]、alphaXiv [6] 和 Asta [5]。

方案 AutoResearchBench RealScholarQuery ScholarQABench IdeaScientist
Agent + 知沿学术 0.466 0.596 71.1 / 52.4 73.3
Agent + 网页搜索与抓取 0.369 0.492 70.6 / 48.2 72.3
Google AI Studio 0.169 0.415 67.9 / 25.8 66.1
alphaXiv 0.240 0.413 65.8 / 41.7 72.5
Asta — 0.215 67.0 / 44.6 * 47.0

评测说明

  1. 指标：论文检索（AutoResearchBench 的 Wide Research 子集 400 题、RealScholarQuery 50 题）为召回率（0–1）；ScholarQABench（100 题）为 rubric 分数 / 引用召回率（0–100，由 LLM 评判）；IdeaScientist（240 题）为新颖性与质量的平均分（0–100）。
  2. Agent：两组都使用 pi 1.1.0 和 DeepSeek-V4.1-Flash（reasoning effort 为 high），只有工具不同：Agent + 知沿学术使用 fs 命令行工具及其 skill，Agent + 网页搜索与抓取使用 DeepSeek 官方的 Search / Fetch API（以 pi 原生工具提供）。
  3. Google AI Studio：Gemini-3.8-Flash，thinking level 为 medium，开启 Google 搜索。
  4. alphaXiv：模型选择 DeepSeek-V4.1-Flash，开启网页搜索。
  5. Asta：RealScholarQuery 使用 Find Papers 与 Deep Search，IdeaScientist 使用 Deep Search。* ScholarQABench 上完成了 37/100 题。

论文检索的提升最明显：召回率比 Agent + 网页搜索与抓取高 21%–26%，比其他产品高 40% 以上。在报告生成和研究构想上，Agent + 知沿学术的 rubric 分数、引用召回率和总分也都高于其他方案。

从计算机科学开始，扩展到更多学科

首个版本覆盖计算机科学领域。接下来，我们会逐步纳入更多学科和更多类型的文献，长期目标是建立一张覆盖各学科、相互连通的科学文献地图。

在你的 agent 上试试

首个版本免费使用，无需注册，也不需要 API key。之后我们会开放注册，为有更高额度需求的用户提供账号。

pip install frontier-scholar                    # 安装命令行工具 fs（Python 3.8+，无依赖）
fs search paper "AI scientist" --topk 5          # 无需 key，直接可用

npx skills add FrontierScholar/FrontierScholar  # 为 coding agent 安装 skill

也可以直接下载 skill，解压到 agent 的 skills 目录：curl -fsSLO https://frontier-scholar.com/downloads/fs-cli.zip。

安装后，直接用自然语言提问即可，例如：“用 fs 查一下：递归自我改进还有哪些没解决的问题，哪些方法在兴起？”Claude Code、Codex、Cursor、Gemini CLI 等支持 skill 的 agent 都可以使用。

未注册时，每个 IP 每分钟最多 30 次请求、每天最多 300 次。命令和参数详见文档。欢迎告诉我们你希望覆盖哪些领域，以及你在研究中是怎么使用的。

参考文献

  1. AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery. arXiv:2604.25256, 2026.
  2. PaSa: An LLM Agent for Comprehensive Academic Paper Search（RealScholarQuery 出自本文）. arXiv:2501.10120, 2025.
  3. OpenScholar: Synthesizing Scientific Literature with Retrieval-augmented LMs（ScholarQABench 出自本文）. arXiv:2411.14199, 2024.
  4. IdeaScientist: Orchestrating Agents for Grounded Scientific Ideation. arXiv:2610.04074, 2026.
  5. Asta, Allen Institute for AI. asta.allen.ai；AstaBench: Rigorous Benchmarking of AI Agents with a Scientific Research Suite. arXiv:2510.21652, 2025.
  6. alphaXiv. alphaxiv.org
  7. Google AI Studio. aistudio.google.com
  8. Audit the Scaffold, Not the Checkpoint: A Stationarity Dichotomy for Recursive Self-Improvement in Agentic Coding. arXiv:2609.34924, 2026.
  9. LLM-IDEA: Identifiability-Driven Experimental Agent for Autonomous Discovery of Mechanistic World Models. arXiv:2610.11253, 2026.
← 全部文章