在当今科技迅速发展的时代，AMD推出了一款名为“Agent Laboratory”的科研AI系统，这个系统的出现彻底改变了传统科研的方式。
通过运用大语言模型（LLM），这个系统能够在科研过程中承担多种角色，从文献综述到实验设计，再到最终的研究报告撰写，整个流程都变得高效且自动化。
首先，研究人员只需将自己的科研想法和相关笔记输入系统，Agent Laboratory便会迅速进行文献综述。
这一阶段，AI会利用arXiv API检索与研究主题相关的论文，提取出最相关的摘要和全文，并进行筛选。
这种文献综述的方式不仅节省了时间，还确保了研究人员能够获取最新的研究动态和参考资料。
图1：Agent Laboratory由系统指导研究过程的三个主要阶段组成：（1） 文献综述，（2） 实验，以及 （3） 报告撰写。在每个阶段，由 LLM 驱动的专业代理协作以实现不同的目标，集成 arXiv、Hugging Face、Python 和 LaTeX 等外部工具以优化结果。这种结构化的工作流程从独立收集和分析相关研究论文开始，通过协作规划和数据准备进行，并导致自动化实验和综合报告生成。
接下来，进入实验环节。AI系统通过与PhD学生和博士后进行对话，制定出详细的实验计划。
这包括选择合适的机器学习模型、准备数据集等。
ML工程师则会使用Python处理和准备实验所需的数据，确保一切准备就绪。
实验运行时，AI借助专门设计的模块，能够在高性能程序中进行优化，确保实验的准确性和有效性。
最后，研究结果的分析和报告撰写同样由AI协助完成。
PhD学生和教授会对实验结果进行深入讨论，AI则会生成初步的报告框架，并提供文献支持，帮助研究人员撰写出符合学术标准的报告。
图2：根据实验设计和结果生成研究报告。为此，我们介绍了 paper-solver，它专注于报告生成。该模块充当结果和代码到报告的生成器，将先前实验阶段的输出和发现总结成一篇人类可读的学术论文。Paper-Solver 综合了前一阶段的研究，为研究人员提供了成就的清晰总结。输入包括研究计划、实验结果、得出的见解和文献综述，以适合会议提交的标准学术论文格式生成输出。
通过这种方式，整个科研过程不仅变得更加高效，还能有效降低科研成本，节省高达84%的经费。
值得一提的是，使用Agent Laboratory的过程中，人类的反馈是至关重要的。
研究人员在每个阶段的参与和指导，能够显著提高研究的整体质量。这种人机协同的方式，正是未来科研发展的趋势。
