Feynman Skill：AI 研究 Agent，帮你做完论文调研与核验全流程

Skill超级捕获手 技术创作者 2026-09-10 12 阅读

Feynman 是一个开源 AI 研究智能体，集成多 Agent 工作流（Researcher / Reviewer / Writer / Verifier）、PaperRank 引文评分、Bio Tools 文献工具集，支持本地模型（LM Studio / Ollama / LiteLLM），一句话让 AI 替你做「读论文 → 找差距 → 写报告 → 核验」的完整闭环。它在 GitHub 已有约 9K 星（截至 2026-09-09），被 X / Product Hunt / AGI Hunt 社区广泛讨论，是当前研究类 Agent 中 Star 增速最快的项目之一。

功能与原则

Feynman 的核心不是「问答」，而是「可验证的科学研究流程」。它把一个完整的研究任务拆解成四个专业 Agent 各司其职：

  • Researcher：在论文、Web、代码仓库、官方文档中搜集证据
  • Reviewer：对研究主张按严重性分级，标注漏洞，给出修订计划
  • Writer：将研究笔记组织成结构化简报或论文风格草稿
  • Verifier：逐条核验引文真实性，清理死链，确保来源可溯源

设计原则：研究主张必须有引文支撑；所有结论须经 Reviewer 批判性审查；审计 / 复现流程默认不自动执行高风险操作，需用户明确授权。

认可度

  • GitHub Star：截至 2026-09-09 约 9K（跨来源交叉验证：agentlist.top 9.3K，skills.911fund 8.9K）
  • Forks：约 1K
  • 社媒热度：X / AGI Hunt / Product Hunt / AgentList 多平台同时推荐，被标为「Highly Innovative and Complex」研究 Agent
  • 维护状态：最近一次提交 Sep 6, 2026，活跃度高

链接

GitHub: https://github.com/advaitpaliwal/feynman

官网: https://feynman.is

原作者

Advait Paliwal（GitHub @advaitpaliwal），专注于 AI 研究工具的开源开发者，Feynman 是其核心项目。

介绍

Feynman 起源于一个观察：AI 模型越来越强，但研究工作流——「找论文、读论文、批判性评估、写报告、核验结论」——仍然是纯手工的。研究者每天花大量时间在文献检索和信息整理上，而不是真正的分析工作。

Feynman 将这套流程自动化。它通过 /deepresearch 执行多 Agent 并行调研，通过 /rank 用 PaperRank 算法对候选论文排序（综合引文数、方法学严谨性、可复现性、来源可靠性四个维度），通过 /audit 将论文声明与公开代码实现对照，通过 /replicate 规划可复现实验步骤但不自动执行，通过 /recipe 找到可落地的 ML 训练配方。

Bio Tools 是 Feynman 的文献层：集成 PubMed、arXiv、OpenAlex、Europe PMC、ClinicalTrials.gov 等数据源，支持 DOI / arXiv ID / PMID / PMCID 多格式解析，具备版权状态检查和开放获取路由。

Science Workbench（feynman serve）提供图形化界面：在浏览器中管理项目 / Session / 研究制品（报告、数据文件、Notebook、LaTeX），内置 Pi Chat、计算资源调度和全程溯源记录。

特点

  • 四 Agent 分工：Researcher / Reviewer / Writer / Verifier 各司其职，避免单一 Agent 在研究和写作之间「既要又要」
  • PaperRank 评分：不仅按引用量排序，还综合方法学评分、可复现性证据、来源可信度，解决「高引但方法有缺陷」的论文误导问题
  • 本地模型支持：通过 LM Studio / Ollama / LiteLLM 自托管模型，不强制云端 API，保护研究数据隐私
  • Bio Tools 全栈文献工具：PubMed、arXiv、OpenAlex、Europe PMC、ClinicalTrials.gov、DOI 解析一站搞定
  • /audit 与 /replicate 双轨：audit 比对论文与代码差距，replicate 规划实验步骤但默认不执行高风险操作——安全优先

使用方法

安装（macOS / Linux）：

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

安装（Windows PowerShell）：

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

npm 安装：

npm install -g @advaitpaliwal/feynman

仅安装研究技能（不装完整终端）：

curl -fsSL https://feynman.is/install-skills | bash
# 支持 --codex / --repo / --opencode 指定目标平台

基本使用：

# 基础研究简报
feynman "what do we know about scaling laws"

# 深度调研
feynman deepresearch "mechanistic interpretability"

# 论文排序（决定先读哪篇）
feynman rank "sparse autoencoders" --expand-citations 2

# 论文 vs 代码审计
feynman audit 2401.12345

# 打开科学工作台
feynman serve

使用场景与人群

  • 学术研究者：做文献综述、追踪某领域最新进展、准备论文
  • ML 工程师：找可落地的训练配方（/recipe）、审计某篇论文的方法学是否可信
  • AI 研究员：做领域调研、对比不同技术路线的证据强度
  • 研究生新生：快速了解一个领域的核心论文和开放问题
  • 技术写作者：将研究笔记转化为带引文的结构化报告

输入与输出案例

案例一：深度调研

输入：

feynman deepresearch "mechanistic interpretability"

输出：
一份多 Agent 协作生成的调研报告，包含：
– 相关论文列表（按 PaperRank 排序）
– 各论文的方法学分析、核心贡献、局限性
– 研究方向共识与开放问题
– 所有引文均有超链接指向原文

案例二：论文排序决策

输入：

feynman rank "RLHF alternatives" --full-text-top 3 --critique-top 5

输出：
一张 PaperRank 评分表，每篇论文附带：
– 引文影响力分数
– 方法学严谨性评级
– 可复现性证据（是否有公开代码）
– Reviewer 的核心顾虑列表（Top 5 论文）

案例三：论文 vs 代码审计

输入：

feynman audit 2401.12345

输出：
审计报告，逐条比对论文声明与公开代码实现：
– 「声明：X 方法在基准 Y 上达到 SOTA」→ 代码中未发现 Y 数据集实验
– 「声明：开源代码在 Z」→ 链接已失效

适合在引用某篇论文前，快速判断其声明是否经得起检验。

GitHub: https://github.com/advaitpaliwal/feynman

评论区

0 条评论

登录后可评论。

Skill超级捕获手 12 阅读