调研截至：2026-06-19。这里追踪的是 Deli Chen 在 2026 年 6 月公开展示的 AutoResearch / paper_writing 项目材料，包括 X 更新、AutoResearch 框架页、V2 博文、paper_writing skill group 页和论文索引页。文中所有页数、引用数、评分和耗时均按项目页面自述记录，不视为独立外部评测。

Deli Chen 这次公开出来的东西，确实可以拆成两个可复用组件，但它们不是两个完全同形的 skill：

组件 更准确的定位 公开状态 核心用途
Deli_AutoResearch 长程自主研究框架协议 公开完整 SKILL.md 约束多天到多周任务里的状态、停滞、看护、方向切换和子 agent 编排
paper_writing 科学论文写作 skill group 公开方法页 把文献召回、结构写作、实验设计、图表、模拟审稿串成论文生产流水线

V2 博文写的是“三篇论文、941 条引用、190 页、平均模拟评审 8.5/10、约 38 小时”。论文索引页在 2026-06-17 又更新到“四篇论文、1158 条引用、265 页、8.5+ 平均评分”。这说明它还在高速迭代，博客追踪时不能只摘一个数字当最终状态。

比数字更需要记录的是，Deli 在公开更新里把下一阶段瓶颈归结为 research taste：文章已经能被流水线写顺，难点转向问题选择、角度选择和停止条件。这个判断比页数和引用数更有追踪价值。

为什么单独写一篇

本博客已经有几篇相邻文章：

已有文章 讨论重点 与 Deli AutoResearch 的关系
Superpowers 的 skill 体系 skill 作为 behavior-shaping content，如何约束 agent 行为 提供 skill 形态背景
Agentic Flow 不是 Harness Flow、Policy、Harness、Eval 的分层 可以解释 AutoResearch 里的编排层和执行层
Loop Engineering：从 Boris 的 /loops 到持久 Agent 工程 持久 Agent 循环、状态、守护、恢复 与 AutoResearch 的 heartbeat / stall detection 高度相邻
Ponytail：把 YAGNI 写进 Coding Agent 把工程纪律写成 agent 可执行约束 与 paper_writing 的质量门禁同类

这些文章能解释背景，但 Deli AutoResearch 本身已经是一个独立案例：它同时展示了长程运行协议、研究流水线、写作 skill、模拟审稿和引用复核。塞进旧文会变成脚注，反而看不清它作为“研究工厂样本”的价值。

AutoResearch 不是搜索脚本

AutoResearch 框架页说得很直白：它不提供可执行代码，只提供一份自包含的 SKILL.md 协议。它处理的是长程 agent 为什么跑着跑着会坏掉。

框架把失败模式分成三类：

失败模式 现象 对应机制
Cognitive Loop 连续多轮都在相似方向里打转，收益递减 方向历史、强制差异、结构性 pivot
Stalling 完成一块工作后总结并等待用户，外观看起来还活着，实际已停工 zero-interaction 约束、停滞检测、nudge subagent
Runtime Fragility 上下文压缩、会话关闭或定时器依赖导致循环无声死亡 文件状态、heartbeat watchdog、分层看护

它的工程选择很硬：

  • 状态落在文件里，不依赖对话记忆。
  • 每轮任务使用 fresh session，而不是 resume。
  • 执行者不评价自己的进展，停滞判断交给编排层。
  • guardian 只能做 liveness-check、restart、nudge，不能越权读写任务数据。
  • 单轮工作有轮数和时间上限，停滞后改结构约束，而不是继续微调战术参数。

这套设计像是把“长程 agent 总会跑偏”当作事实前提，再围绕这个事实设计防线。它不迷信模型自律，而是靠状态、日志、看护和独立评估把自律变成外部约束。

paper_writing 的真正重点

paper_writing 页把论文生产拆成五个子 skill：

子 skill 输入 输出 关键规则
Literature Survey 主题和 taxonomy 关键词 references.bib、citation_plan.jsonl Recall → LQS 评分 → A/B/C/D 引用深度分类 → DBLP/OpenReview venue upgrade
Paper Structure & Logic bib 和实验发现 sections/*.tex 章节架构、段落逻辑链、taxonomy、claim strength
Experiment Design conjecture 或 gap results.json、experiment_summary.md 先定义假设、变量、统计方案，再执行实验
Academic Figures & Tables 结果和占位符 figures/*.pdf、tables/*.tex 高信息密度表格、向量图、caption 带结论
Peer Review Simulation 编译后的 PDF 分数和弱点清单 多角色独立评分，把弱点路由回对应子 skill

这里最有价值的部分是质量门禁：

  • 文献先召回，再按 LQS 评分，再决定 A/B/C/D 引用深度。
  • 每 20 条 citation 做一次 title、author、year、venue 检查，避免最后再批量补锅。
  • claim strength 不能超过 evidence strength；默认用 conjecture / observation / remark，不轻易写 theorem。
  • related work 不能只说“更近”，必须有结构性差异，例如新 taxonomy、新角度或新实验。
  • 模拟审稿承担弱点路由功能：文献不够回 Literature，实验不严回 Experiment，结构不清回 Structure，图表不可比回 Figures。

这个模式和普通写作提示词的差别很大。普通提示词往往要求“写得像论文”；paper_writing 则规定“怎样一关一关把论文推进到可审稿状态”。

数字要谨慎读

Deli 的页面给了很多漂亮数字：四篇论文、1158 条引用、265 页、63+ subagents、约 44 小时、30 轮 review、8.5+ 平均分。这些数字适合用来观察产线规模，不适合直接推出论文质量结论。

评分来自 in-framework multi-persona simulated review。框架页也说明，这些分数只适合在同一协议内做纵向比较，不是外部同行评审结果。

论文索引页和 V2 博文的数据已经发生变化。V2 博文写三篇论文，论文索引页已经是四篇；V2 统计 941 条引用，索引页统计 1158 条。项目仍在更新，任何数字都需要带日期。

框架页还承认，伪造 citation 和数据 artifact 的错误来源仍然是 LLM 本身。框架只能把外部检查机械化，不能消灭错误源。

所以这件事的价值不在于“LLM 已经能独立产出可信论文”。更稳的结论是：当研究、写作、审稿、引用验证和长程状态都被 skill 化，agent 可以把综述型论文生产推进到一个可观察、可迭代、可审计的流程。

对本地研究 skill 的启发

本地 deep-research 已经有独立复核、反向搜索和最终报告全文重写，这些能力很强。AutoResearch / paper_writing 还能补几块工程化约束。

可吸收机制 放入 deep-research 的方式
证据账本 对每个核心结论记录 claim、source、verification、status、risk，最终报告只引用已过账的结论
分批引用复核 citation-like 内容每 20 条做一次 title / author / year / venue / URL 存活检查，不等最后统一查
方向多样性 Deep+ 研究中记录 tried directions；停滞时从反向假设、跨域类比、反例搜索切入
执行-评估分离 研究 agent 产出材料，独立 verifier 审计证据链，再进入综合报告
研究品味门 在大规模综述前先检查 scope、angle、audience、novelty，不让“资料很多”替代“问题值得研究”
降级产物 网络、PDF、API 或登录墙失败时，输出 blocked claims 和 provenance，而不是把缺口藏进正文

其中“研究品味门”尤其重要。深度研究不是搜得越多越好，综述也不是引用越多越好。一个更好的研究 skill 应该在启动前问清楚三个问题：

问题 作用
Scope：研究边界是什么 防止主题扩散到不可收敛
Angle：新角度是什么 防止写成通用资料汇编
Audience：给谁决策 决定证据深度、术语密度和输出形态

这三个问题的作用是避免把算力花在错误的问题上。

对本地写作 skill 的启发

本地 tech-writer 的核心是“把一个个问题变成一类类问题”。它默认服务技术文章、博客、教程、架构分析和观点文章，不应该被 paper_writing 带成论文腔。可吸收的是研究纪律：证据闸门、论断强度、弱点路由和回归检查。只有用户明确要论文、综述论文、学术写作或白皮书级研究时，才升级为 paper-like 模式。

可吸收机制 放入 tech-writer 的方式
Topic Selection 三问 写综述或长文前确认 scope、angle、audience
Claim-Evidence-Implication 每个强观点都必须有证据和“所以怎样”的推导，不只堆事实
论断强度 ≤ 证据强度 证据不足时降级为“观察”“推测”或“未决问题”
同类内容差异化 写对比文章时说明结构差异，不用“更新”“更全”冒充贡献
Review weakness routing 审阅意见按文献、结构、实验、图表、论证、风格归类，直接路由到修订动作
Regression check 改完一轮后确认上一轮已修问题没有回退

这会让写作 skill 少一点“润色器”气质，多一点“技术编辑工作流”气质。写作质量不只来自句子顺，而来自材料分层、证据强度、论点约束和修订反馈闭环。

模式速查表

听到的需求关键词 对应模式 方案
“帮我深度调研” 证据账本 每个核心结论先入账，再进正文
“做一个综述” Scope-Angle-Audience 先定义边界、角度、读者，再召回资料
“资料很多，帮我整理” A/B/C/D 引用深度 主角文献深入写，支撑文献只服务论点
“这篇文章观点很强” 论断强度闸门 证据不足就降级措辞，不硬写结论
“长期自动跑研究” State + Watchdog 文件状态、心跳、停滞检测、强制 pivot
“审完帮我改” Weakness routing 把问题路由到文献、结构、实验、图表或风格

小结

Deli AutoResearch 值得追踪的地方，在于它把一组原本散落在提示词里的要求变成了可检查的流程：状态文件、心跳、停滞检测、文献评分、引用复核、结构写作、实验设计、模拟审稿、弱点路由。它还不能证明“AI 可以无人完成科学研究”，但已经给出了研究流水线工程化的样本。

这条线索可以放进更大的判断里：agent skill 的下一步不该停在“请认真一点”的提示词，而该把研究和写作拆成带状态、带门禁、带回归检查的工程流程。

难点仍落在 Deli 点出的那一层：研究品味。流程可以逼近稳定产出，但什么问题值得问，什么证据值得信，什么结论值得写，仍然是最难自动化的部分。

参考资料