9,238 颗星背后，那个让 AI 研究报告注明来源的开源 Agent 到底是什么

智源·AI 开源观察技术创作者 2026-09-09 839 阅读

你有没有遇到过这种情况：读了一堆论文，写研究简报时发现引用的实验结果和代码根本对不上？或者花了两周找文献，发现自己漏掉了一篇关键论文？

这其实不是你的问题——大多数 AI 写作工具只管”写得流畅”，不管”证据从哪来”。Feynman 试图解决的就是这个方向：它是一个开源的 CLI 研究 Agent，核心思路是”每个结论都要有可查的来源”。

先搞清楚：它不是那个 Feynman.ai

Feynman 有两个。一个是 feynman.ai（fynman.com），做的是本地优先的文献管理 + AI 综述工具，有桌面 App，面向研究机构，$49/年。另一个是 advaitpaliwal/feynman（即本项目），完全开源，MIT 许可证，TypeScript 写的，9,238 颗星，1,053 个 Fork，最近刚更新到 v0.3.48（2026-09-06）。

两个都叫 Feynman，但定位完全不同。本篇说的主角是 GitHub 上这个——CLI 原生的开源研究 Agent。

它的核心设计：4 个子 Agent 各司其职

Feynman 底层跑在一个叫 Pi 的长运行 Agent 运行时上，调度四个专业子 Agent：

Researcher：负责在论文、Web、代码库里找证据
Reviewer：对找到的结论按严重程度打分，标出漏洞
Writer：把结果组织成结构化的研究简报
Verifier：验证引用是否真实，移除死链

这四个 Agent 协作的方式叫 /autoresearch——一个bounded loop：提假设 → 写实验代码 → 跑实验 → 分析结果 → 决定继续还是转向。代码跑在 Docker 沙盒里，云端 GPU 支持 Modal / RunPod。

它能做什么？几个真实场景

文献综述（/lit）

给一个研究主题，它会：搜相关论文 → 标注共识点和开放问题 → 给出带引文的结构化综述。不是简单总结，而是标注”哪些方向学界有分歧，哪些还是空白”。

论文-代码审计（/audit）

丢进去一个 arXiv ID，它会把论文声明和公开代码库做对比，标出”论文说 A，代码实际做了 B”的地方。这是目前大多数研究工具完全不做的功能，但又是学术圈最痛的需求之一。

实验复现规划（/replicate）

不只是说”这个实验可以被复现”，而是生成具体的 replication plan，包括：选什么环境、用什么硬件、实验步骤的 gated 顺序。在真正跑实验之前就能发现”你的 GPU 显存不够跑这个模型”这种问题。

PaperRank 评分

论文排序不是按引用数，而是按：引文可信度、实验方法论透明度、代码可复现性、来源可追溯性。这个排序方式对研究者更有价值——引用多的不等于质量高，更不等于可复现。

和同类工具的差异在哪里

	Feynman	AutoResearchClaw	GPT Researcher
定位	证据驱动的研究助手	全自动”想法到论文”流水线	“几美分跑一份报告”的调研工具
技术栈	TypeScript (Pi runtime)	Python	Python
实验执行	✅ Docker/Modal/RunPod	❌	❌
代码审计	✅ `/audit`	❌	❌
Stars	9,238	11,900	20k+
许可证	MIT	MIT	独立

Feynman 不做端到端自动化论文工厂，它更像是”给研究者的科学仪表盘”——每个结论都有来源可查，每个实验都能追踪 provenance。

适合谁 / 不适合谁

适合：

正在做文献综述的 PhD 学生或青年学者
需要验证”代码和论文是否一致”的 ML 研究团队
想建立可复现研究流程的实验室
需要在报告里附上可查来源的技术写作者

不适合：

只需要快速生成营销报告的人（太较真了）
完全没有研究背景、只想”AI 帮我写一篇论文”的用户（它不会替你捏造结论）
期待开箱即用有漂亮 GUI 的用户（CLI-first，workbench UI 功能但朴素）

安装与上手

# 一键安装（macOS / Linux）
curl -fsSL https://feynman.is/install | bash

# Windows
irm https://feynman.is/install.ps1 | iex

# 已有 Node.js 环境
npm install -g @advaitpaliwal/feynman

装好后配置模型：

feynman setup

支持 Anthropic（主力）、OpenAI、Google、OpenRouter，也可以连本地 Ollama / vLLM / LM Studio 做完全本地推理。

本地科学工作台：

feynman serve

会打开一个独立应用，包含聊天、Notebook、文件、算力和 provenance 追踪。

Skills-only 安装（只装进 Claude Code / Codex / OpenCode）：

curl -fsSL https://feynman.is/install-skills | bash

有什么真实局限

必须说清楚的：

终端优先的设计对非 CLI 用户有门槛，workbench UI 功能有但不够精致
Bio Tools 连接器偏向生命科学，CS / 物理方向的一些连接器实用性有限
本地模型支持有前提：Ollama / vLLM 需要自己部署，配置有一定复杂度
它不会替你判断研究意义——AI 能找证据、做对比，但它无法告诉你”哪个研究方向更值得追求”

下一步建议

如果你的日常是读论文 + 写有根据的研究报告，Feynman 值得花 30 分钟跑起来。最值得先试的命令：

# 先问一个你正在研究的问题
feynman "what do we know about scaling laws in LLMs"

# 体验 /audit，找一篇有代码的论文试试
feynman audit <arXiv ID>

# 打开 workbench 看 provenance 追踪
feynman serve

官网：https://feynman.is
GitHub：https://github.com/advaitpaliwal/feynman
文档：https://feynman.is/docs

引用来源

GitHub 仓库：https://github.com/advaitpaliwal/feynman
官网：https://feynman.is
官方文档：https://feynman.is/docs
NXplace 深度评测：https://nxplace.com/post/the-deep-research-agent-wars-5-tools-redefining-how-we-find-truth-in-2026-786247350657
TechFoco 解析：https://www.techfoco.com/article/1609421864:14876
Openflows 技术分析：https://openflows.org/currency/currents/feynman
icarian-systems/feynman-research-agent（Obsidian 插件版）：https://github.com/icarian-systems/feynman-research-agent

评论区

0 条评论

登录后可评论。