DeepSeek研究员陈德里，在个人博客更新一篇研究综述论文。
1%是我写的，99%是Agent写的。
用的是他自己的技能DeliAutoResearch，DeepSeek-V4-Pro研究和写作，GPT-Image2画图。
论文共迭代6次（V1：4 次，V2：1 次，V3：1 次），总耗时6天，进行了约108轮Agent调用，消耗64.8万token，写了2234行LaTeX代码。
103个参考文献，全部已验证。论文现为46页，538KB，含7个图表+4个表格。
论文讲的是自动研究智能体L1–L5自主度分类体系的事：
- 通过分析四大架构模式，给出了可扩展性、成本、可靠性等维度对比。
- 并基于六维特征矩阵分析了17个主流系统。
- 还提出了六大开放问题与对应研究方向。
陈德里认为，Code Agent导致计算机科学论文数量疯狂膨胀，同样的工作以前至少需要一个月才能完成。
但现在，他的碳基大脑处理这个问题的“总CPU时间”不到2小时。
他也写了一句免责声明：观点仅为个人所有，不代表任何组织。
DeepSeek研究员与V4 Pro合写的论文
基础模型推动AI工具从研究辅助转向自主研究，但领域缺乏统一框架、术语混乱、评估标准不一。
陈德里和它的AI合著者们提出了一个L1-L5的自主分级体系。
类比自动驾驶的SAE级别，把混乱的AI Agent领域理出了清晰的谱系。
- L1是最基础的自动补全，也就是最早的GitHub Copilot，预测你下一行代码。
- L2是任务执行，代表是ChatGPT/Claude聊天机器人加上各种工具，能分解任务，但每一步都得人类批准。
- L3是多步骤执行，目前最主流的Claude Code、Cursor Agent这种，能自主执行10到100步，只在关键点请求人类审核
- L4是受限领域内全自主执行，人类仅提供研究目标、评估最终成果，智能体可完成多步实验、代码、论文撰写，但无法自主选择研究问题。
- L5级是完全自定研究议程，智能体可自主选题、分配资源、长期积累知识、跨领域持续研究，是当前未实现的理想状态，核心瓶颈为持续知识积累、可靠自我评估、架构规模化。
目前行业前沿初步达到L4，L5还只是个设想。
论文认为真正的瓶颈不是模型能力，而是「持续知识积累」和「可靠自我评估」。
除了按自主性级别，论文中又按智能体架构总结了4种主流模式。
单智能体循环
早期研究ReAct、Reflexion、LATS、思维树等为代表。单模型迭代推理-行动-观察，简单高效，但复杂任务能力有限。
多智能体协作
早期智能体框架CAMEL、AutoGen、MetaGPT等为代表，特点是分工协作、多视角纠错，成本较高，沟通易混乱。
分层调度
Claude Code和Devin等为代表，分层规划、任务分解，适合长时程复杂研究。
工具增强执行
SWE-Agent等为代表，核心工具有代码执行环境、网页浏览、API / 数据库、多模态工具，Agent-Computer Interface（ACI） 的设计直接影响性能。
论文四种模式不是谁优谁劣，而是针对特定的任务要选择合适的工具。
如简单短任务选单智能体循环（低成本、易实现）；需要多视角纠错、复杂分工选多智能体协作；长时程、高复杂度研究选分层调度（强规划、易监管）；需要对接外部工具、环境交互选工具增强执行（能力边界由工具决定）。
但实际应用中，其实多采用混合架构，结合多种模式优势。
有了研究框架，再横向对比当前常见的17个自主研究智能体，揭示领域已从早期通用脆弱原型，演进为L4级受限域专用系统。代码智能体成熟度最高，科学智能体开始产出可验证新发现。
而迈向L5完全自主的核心瓶颈在于持续知识积累、可靠自我评估、架构规模化。
最后，论文中还提出了，六大开放问题：
- 认知循环陷阱：智能体陷入重复无效策略，无自我终止能力。
- 上下文限制：固定窗口（4K-1M token）无法支撑长时程研究。
- 创新性评估：无自动化方法衡量研究原创性与价值。
- 可复现性：模型随机性、提示敏感性导致结果无法复现。
- 安全伦理：双用途风险、自主提升风险、学术诚信风险。
- 成本问题：单任务成本
50，高成本加剧科研不平等。
One More THing
陈德里自述，高强度工作导致的精力不足，让他搁置了很多事。
博客、写作，现在是Agent让他有机会把这些重新捡了起来。
除了这篇研究综述，还更新了个人主页。
有了Agent，这些任务完成起来效率超高。
人类的角色，从“执行者”变成了“发起者”。
参考链接：
[1]https://x.com/victor207755822/status/2059269472297623843?s=20
本文来自微信公众号“量子位”，作者：梦晨，36氪经授权发布。
