如今，LLM研究型智能体究竟能做什么？
它们能胜任研究中的基础工作——文献综述、代码编写、报告起草和质量检查，且表现惊人。名为Agent Laboratory的框架能将人类创意贯穿文献综述、实验设计和报告撰写全过程，其生成的机器学习代码达到了业界领先水平，相比此前自主方法降低了84%的研究成本[1]。这一成本节约意义重大：研究人员可将更多精力从低阶编码和写作转向创造性思考。同样，用于股权研究（企业财务分析）的聊天机器人在回答损益表等基本面问题时，实现了快速响应与高准确率[5]。在质量控制方面，大语言模型（Gemini Flash 2.0）评估放射组学研究论文的可靠性堪比人类专家——其与人类评估者的一致性（Cohen's kappa值约0.48-0.58）在统计学上与两名人类评估者之间的一致性无显著差异[3]。
除了文本之外，大语言模型代理还可以利用空间上下文来改善用户体验。在一项咨询对话研究中，当大语言模型主动反映用户的物理空间（例如注意到房间内的物品）时，参与者报告了更高的信任感和共在感[4]。这表明，研究代理可以被设计得更加直观和富有吸引力，尤其是在教育或医疗保健等上下文至关重要的领域。
它们仍有哪些不足？
最大的局限在于，这些智能体尚不足以在无人监督的情况下可靠运行。在Agent Laboratory中，每个阶段的人类反馈都显著提升了最终论文的质量——若缺少反馈，输出效果则较弱[1]。同样，前列腺癌教育智能体（MedEduChat）在正确性（2.9/3）和安全性（2.7/3）方面得分较高，但在个性化（2.3/3）方面仅表现中等，这意味着它有时未能针对患者个体情况调整建议[2]。这一差距至关重要：在医疗场景中，一刀切的答案可能产生误导甚至造成危害。
大型语言模型（LLMs）也存在一些众所周知的缺陷，这些缺陷会延续到研究中。一篇关于基于生成式智能体的复杂系统模型（例如模拟社会行为或疾病传播）的综述指出，LLMs能够再现公平、合作等类人行为，但它们对提示措辞敏感、容易产生幻觉，且不同模型之间的行为表现不一致[7]。这意味着，如果你用略有差异的方式提出相同的研究问题，可能会得到不同的答案——这对可重复性而言是一个严重问题。另一项关于动态LLM智能体团队（DyLAN）的研究表明，为任务选择合适的智能体团队可使某些学科领域的准确率提升高达25%，但选择过程本身需要初步试验，从而增加了复杂性[6]。
最后，关于大语言模型能否真正产生新颖科学见解的证据仍然薄弱。此领域的大多数研究聚焦于辅助现有任务——写作、编程、质量检查——而非实现新发现。唯一尝试完全自主研究的框架（Agent Laboratory）仍依赖于人类提供的想法和反馈[1]。因此，尽管大语言模型是强大的工具，但它们尚未成为独立的科学家。
谁最受益，以及在什么条件下？
当前，时间紧迫、从事常规性工作或预算有限的研究人员将获益最大。Agent Laboratory将成本降低84%便是一个具体例证：如果你有一个研究想法，需要快速生成代码和报告草稿，LLM智能体就能以远低于常规成本的方式完成这一任务[1]。同样，梅奥诊所的临床医生发现，LLM智能体能够安全准确地回答前列腺癌患者的问题，将患者的健康信心评分从9.9提升至13.9（增幅达40%）[2]。在质量控制方面，LLM筛选论文的可靠性堪比人类专家，这能节省数小时的人工审阅时间[3]。
使这些智能体发挥最佳效果的条件包括：（1）具有明确输入和输出的清晰定义任务（例如代码生成、文献综述、质量评分）；（2）在关键决策点进行人工监督；（3）错误可容忍或能被发现的领域。在医学或金融等高风险领域，证据表明大语言模型虽有用，但尚不足以自主运行——前列腺癌智能体需要临床医生审核[2]，而股票聊天机器人的建议仍需人类判断[5]。对于探索性或创造性研究，证据则较为薄弱；目前尚无研究显示大语言模型能生成真正新颖的假设或实验设计。
简而言之，如果你是一位希望加速工作中枯燥环节的研究者，大语言模型智能体已经可以投入实际应用。但如果你期待一个能替你完成整个博士学位的AI，那一天尚未到来。
关于这些来源
该回答基于7篇经同行评审的研究——发表于2023年至2025年间，其中6篇为2024年或之后发表，合计被引用155次——这些研究是从8篇通过质量筛选的文献中选出的最相关成果，而该8篇文献又源自从超过5亿篇论文的数据库中检索到的44篇论文。
本文引用的文献
Agent Laboratory：使用LLM智能体作为研究助手
Agent Laboratory作为一个自主的大语言模型框架，完成了完整的研究流程（文献综述、实验、报告撰写），相比之前的自主方法成本降低了84%，但在每个阶段引入人类反馈显著提升了输出质量。
使用电子健康记录集成的LLM代理为患者提供个性化前列腺癌教育。
在梅奥诊所开展的一项质量改进研究中，针对15名前列腺癌患者和3名临床医生，MedEduChat大语言模型智能体获得了较高的可用性评分（83.7/100），并将患者的健康信心从9.9提升至13.9，但个性化程度仅为中等水平（2.3/3）。
Auto-METRICS：基于大语言模型的放射组学科研质量自动控制方法
一项研究表明，大型语言模型（Gemini Flash 2.0）在评估影像组学论文质量方面与人类专家同样可靠，其评分者间一致性（kappa值约0.48-0.58）在统计学上与人类之间的评分一致性无显著差异；而开源模型（Phi4-Reasoning）的表现也与之相当。
当大语言模型识别你的空间：关于空间感知型大语言模型代理体验的研究。
在一项咨询对话研究中，当大语言模型主动反映参与者的物理空间时，参与者报告了更高的信任感和共在感，并表达了更多情绪，这表明空间感知能力能够改善人机交互。
基于大语言模型的股权研究聊天机器人：面向投资研究的响应式智能代理
使用大语言模型构建的股票研究聊天机器人，通过处理公司财务报告（损益表、资产负债表、现金流量表）提供投资建议，其响应时间和准确性因问题类型而异，展示了在金融分析中的实际应用价值。
动态LLM-智能体网络：一种具备智能体团队优化的LLM-智能体协作框架
DyLAN是一个动态的大语言模型智能体团队框架，通过自动为任务选择最佳智能体，在MMLU科目上实现了高达25%的准确率提升，但需要预先进行团队优化的初步试验。
用于复杂系统研究的LLMs与生成式智能体模型。
一项关于生成式智能体模型的综述发现，大语言模型能够在复杂系统中模拟类人行为（如公平性、合作性），但仍存在提示敏感性、幻觉现象以及不同模型间行为不一致等问题。