这个产品里，我看到了给科研人的终极浪漫

那时候说实话，我是持观望态度的，因为科研这个赛道太特殊了，它不是写周报、不是做 PPT、不是画几张好看的图就能糊弄过去的。

科研的每一步都要求严谨，数据不能编、逻辑不能断、结论必须可复现。

但两个月过去了。

超过一万名科研人员，在这只龙虾上跑了不知道多少轮实验、画了多少张图、生成了多少份报告。

这里面有研究院的博士，有企业的研发总监，有深夜还在实验室盯着离心机转的研究生。

他们给了我们大量的反馈，有夸的，有骂的，有「这个功能再不改我就去用竞品了」的威胁。

「深度原理 Deep Principle」团队的产品负责人说，「我们把这些反馈都吞到肚里，记在心里」了。

看到 SciClaw 做了一次脱胎换骨的升级，他们给这款定位是 AI Scientist 平台的产品起了个新名字：

Mira。

天文学家给鲸鱼座里一颗红巨星起的名字，意思是「奇妙」。也是「miracle」的词根。

而这一次升级的核心，他们内部有一个很直白的说法。

从「帮你干活」到「帮你思考」。

这是看了这 1 万多名用户两个月里实际上是怎么用产品的之后，得出的一个非常诚实的结论。

具体是怎么个「帮你思考」法，我会结合自己的使用体验，分三块来聊聊。

01

说新功能之前，想先聊一个很多人可能都经历过的场景。

一个做材料的博士生，或者一个药企的研发工程师。

同时开着七八个窗口，Zotero 里躺着 30 篇还没读完的文献，VS Code 里跑着一个半天没出结果的 Python 脚本，桌面上散落着上一轮实验产出的五张 XRD 图和三个 CSV。

老板突然在微信上问，上次那个掺杂方案为什么选了 5% 而不是 3%，你的思路是什么。

一下子让人很难回答。不是因为不记得，是因为思考过程散落在太多地方了，文献的某个段落、某次跟 AI 对话的记录、某个半夜跑出来的数据图、甚至是当时在草稿纸上画的一个分子结构。

它们都在，但它们不是一个整体。

这个问题，我觉得它不只是工具碎片化的问题，它其实是一个更根本的东西。

做科研的时候，真正在消耗你的不是跑实验本身，不是在电脑前等结果的那几个小时。

是你每一次在不同工具之间来回切换的时候，那个「我在哪，我刚才在想什么，我接下来要干嘛」的认知重建成本。

心理学上有个概念，叫「认知切换成本」。

每次你的注意力从一件事跳到另一件事，大脑需要大概 15 到 25 分钟才能完全回到之前的深度工作状态。搞过科研的人都懂，那个「深度状态」一旦断了，可能一整个下午都再也进不去了。

你说现在的 AI 工具少吗？真不少。ChatGPT、Claude、各种 Auto Research 开源项目，眼花缭乱。

但问题恰恰就在这里。你需要的不是第 11 个工具，你需要的是一个地方，把所有这些东西串起来，让你专注在「思考」这件事上，而不是「操作工具」这件事上。

这就是 Mira 想解决的问题。

顺着这个思路，来聊第一个变化。

02

先问一个可能有点冒犯的问题。

你真的需要一个别人给你搭好的 Auto Research 工具吗？

我知道这个领域很火。过去半年，Github 上至少出现了十几个号称能「自动做科研」的开源项目。

它们的工作流大同小异，搜索文献、提取关键信息、生成假设、运行代码、画图、写报告。

看起来很美。

但说真的，你用过的应该都知道，这些工作流有一个共同的致命问题。它按照一个固定的剧本在跑，而你的科研从来不是一个固定剧本。

今天可能在做一个全新的催化剂筛选，明天可能要去复现一篇论文里的对照实验，后天可能只是想快速验证一个你自己突然冒出来的想法。三次任务，三次完全不同的流程。

这时候，一个别人帮你预设好的工作流，就很像你穿了一件别人的西装。料子可能不错，但肩宽不对，袖长不对，走到哪里都觉得别扭。

Mira 这次做的 Agent Squad（专家小队），思路是反过来的。

不给你搭流程。而是给你一个 Agent 的队伍名单。

你自己定义需要什么样的队员。一个负责文献检索的，一个负责代码执行的，一个负责数据可视化的，一个负责写结论的。你需要他们怎么协作，你说了算。你需要先跑哪一步、哪一步的结果喂给哪一步，你说了算。

大概 5 分钟，你的专属科研小队就按你的想法能配置好，然后你就可以在旁边看着他们干活了。如果你有自己想直接搬过来的 Auto Research工具，甩给 Mira 一个 Github 链接，1分钟，一支专业科研小队就能展现在眼前。

以一次AI参数寻优为例，Mira可以一键拉起众多专家小队成员快速迭代出一篇报告

还有更快的方式，选择 Mira 里已经给你内置好的专家团队直接提需求。

这个感觉，说真的，有点像从一个打工人突然变成了实验室的 PI。你不再需要自己亲自去查每一篇文献、跑每一行代码，你只需要告诉你的队员们要做什么、怎么做，然后实时监控他们的产出，发现有问题的当场纠正。

有个内测用户跟我讲过一个事，我觉得特别能说明问题。

他用「专家小队」搭了一个 AI Paper 自动生成的框架，大概用了 1 分钟配置好队员分工，然后就丢了一个研究方向进去。当天下午，一篇文章的初稿就出来了，从文献综述到方法设计到结果分析，全链路。当然还需要人工改，但他说了一句话让我印象很深。

「它不是帮我省了多少时间的问题，是它让我能同时推进三个课题了」

「同时，这个团队做完研究之后，我还能用另一个团队来做汇报材料」

小队成员之间互相配合，可以在严肃科研场景下给出逻辑缜密的报告材料

这才是「专家小队」真正的价值。不是替代你，是放大你。

03

OK，队伍有了，你也监控着他们把活干了，那他们产出的那些东西呢？文献 PDF、代码文件、实验结果图表、笔记？

这就是第二个问题。

回到开头那个场景。老板问你思路是什么的时候，你慌不慌？

如果你用上了 Mira 的科研画布，你可能就不慌了。

这个功能说起来其实不复杂，就是一个可以同时打开、浏览、排列、对比任意类型文件的工作区。

侧边栏是你所有的文件列表，中间是一个可以自由拖拽排列的画布。你可以同时打开一篇 Nature 的 PDF、一个你上次跑出来的 XRD 图谱、一段 Agent 生成的 Python 代码、还有你随手写的几行笔记。

它们全部在一个视图里。

然后你可以把重要的部分钉在画布上，可以给不同的文件分组，可以标注「这个是掺 5% 那组的对照」、「这个 bug 是因为环境变量没设对」。你整个项目的思考脉络，就这么摊开来，一目了然。

我特别喜欢的一个比喻，是一个做材料的用户说的。他说这个画布就像给科研写了一篇篇可交互的手帐。

在画布中可以查看专业计算模拟的结果，通过笔记记录研究发现，并将结果导出到论文中使用

你的项目从第一天开始，每一次尝试、每一次失败、每一次灵光一现的修改，全部被记录下来，排列在时间线上。

当你需要复盘的时候，你不需要去翻 Git 提交记录、不需要去搜聊天记录里的文件传输、不需要去回忆「我当时到底改了哪个参数」，你只需要打开画布，所有东西都在那里。

还有一个做生物信息学的用户跟我说了一个更夸张的用法。

他有一组多组学数据，RNA-seq、蛋白质组、代谢组，每种数据都有自己的分析 pipeline，产出的结果格式也各不相同。

以前他要同时打开好几个软件来交叉比对，经常比着比着就乱了。现在他把所有结果文件全部扔进画布里，并排对比，关联分析。

画布中不同的数据文件之间可以通过 Mira 建立联动关系，从而展示多视角的分析结果

「唯一的问题就是屏幕不够大。」他说。

这背后其实是一个很深的思考。

做科研的人，我们花在「找东西」和「回忆上下文」上的时间，可能比我们愿意承认的要多得多。

而科研画布做的事情其实很简单，它只是让你所有的思考痕迹，躺在同一个平面上，不需要去找，不需要去回忆。

它就在那里。

还有一个更实际的场景。电脑突然卡死了，重启。

如果你用的是传统方式，你可能要花半个小时甚至更长时间来恢复你的工作状态。但如果你一直在 Mira 的画布里工作，所有东西都是可以随时保存的，你打开网页，一切都在，跟你卡死前一模一样。

这可能是最朴素但也最让人有安全感的一个功能了。

04

好了，白天你跟你的 Agent 小队大战了三百回合，画布里堆满了战果和残骸。你精疲力尽，关上电脑，瘫在床上。

然后你翻来覆去睡不着。

不是因为咖啡喝多了。

是因为你脑子里在反复想一个问题。

今天跟 Agent 聊了那么多，给了那么多指令，纠正了那么多次错误，上传了那么多文献。这些都是你今天投入的认知成本，是你跟 AI 之间一场漫长的博弈中积累下来的「默契」。

但明天呢？下周一呢？一个月后当这个项目进入关键阶段的时候呢？

它真的还记得所有这些吗？它知道你在关注什么、不关心什么吗？它能把所有这些零散的对话、任务结果、纠错记录，汇总成一套真正对项目推进有帮助的知识文档吗？

更重要的是，这些知识不会出现幻觉吧？

我觉得这个问题，每一个深度使用 AI 做科研的人，都一定在某个深夜里想过。

Mira 的 WIKI，就是在解决这个问题。

它的逻辑其实不复杂，但很巧妙。每天晚上，在你睡觉的时候，它会自动运行，把你当天所有的对话记录、任务执行结果、上传的资料全部过一遍。但它不是无脑地把所有东西都写进 WIKI。

它会判断，哪些是你真正关心的知识点，哪些是你反复提及的关键概念，哪些是你执行过的任务里值得沉淀下来的结论，哪些是还没解决但你需要持续关注的问题。

然后它把这些东西，结构化地写入你的项目专属 Wiki，刚开始可能不多，会有点零散，但这是可复利的知识积累能力。

第二天你醒来，打开项目页面，你会看到这个项目从启动到现在，积累下来的所有知识、所有结论、所有待解决问题，清清楚楚地排列在那里。你可以随时翻看、随时复盘、随时导出。

一个做计算神经科学的内测用户给我讲过一个故事。

他的项目是关于人脑神经模型的，项目周期很长，前后跨度了大半年。

中间换过好几次思路，试过不同的模型架构，每一步都有详细的实验记录和 AI 对话。

半年下来，他积累了几百个任务文档和无数零散在各处的认知。

如果没有 WIKI，这些东西就是一堆散落的数据。

但有了 WIKI 之后，在半个月内，他把这些内容上传后产生的每一次的对话，每天产生的新认知和灵感，被自动整理成了一套结构化的文档。

什么时候换了什么思路、为什么换、每次换的结果是什么、哪些假设被验证了、哪些被推翻了。

他说，这这短短半个月里，他让工作了半年的项目，在 WIKI 中自己长成了一个完整的知识体系。

在WIKI中，各章节逻辑严密，内容之间有互相引用关系，可以通过链接快速跳转

还有一个做世界史学习的用户，用法更飞。他让 Mira 基于 WIKI 的内容定期自动生成一份 HTML 格式的 Brainstorm 看板，把手头正在整理的课题资料梳理成可能的研究课题，用可视化画板的方式展示出来

他说这比他大学四年做的所有笔记加起来都有用。

基于WIKI的知识梳理和导航能力，可以快速帮助科研人找到可行的课题和实验方案

05

聊完这三个功能，我想聊一个更大的词。

Vibe Researching。

这个词的灵感来自这两年很火的那个概念，Vibe Coding。Vibe Coding 的核心思想是，你不用一行一行地写代码，你只需要描述你想要什么，AI 帮你搞定。

但科研跟写代码有一个本质的区别。写代码的需求是相对明确的，你说我要一个登录页面，AI 知道大概长什么样。但科研的需求是模糊的、探索性的、甚至你自己都不知道最终答案是什么。

所以 Vibe Researching 不能是「你描述，AI 搞定」的简单复制。

它应该是你在前面走，AI 在你身后跟着。你负责方向、直觉、那个凌晨两点半突然冒出来的灵感。

AI 负责帮你扫清路上的障碍、帮你记住走过的路、帮你在需要的时候掏出你可能已经忘了的知识。

就像你自己的影子。

不是替代你的影子。

是永远跟在你身后、让你走得更快、更远、不那么孤独的影子。

说实话，科研是一件很孤独的事。

你可能花三个月验证一个假设，最后发现是错的。你可能跑了无数次实验，只为了确认一个特别小的参数。你可能在某个深夜盯着空白的结果页面，脑子里只有一个念头。

「我选的这条路，到底对不对。」

这种孤独感，不做科研的人是很难理解的。

而 Mira 想做的，不是说它能替你把路走完。它做不到，现在的 AI 都做不到。但它可以做一件事，就是让你在走这条路的时候，身边有一个永远不会忘事、永远不会疲倦、永远知道你走到哪了的伙伴。

它记得你的每一个决策、每一次失败、每一个微小的进步。当你想回头看看的时候，一切都整整齐齐地摆在那里。

06

聊了这么多，说正事。

这款 AI Scientist 平台 Mira 现在正式开放注册了。

专家小队、科研画布、WIKI 三大核心功能全部开放。

访问 https://mira.deepprinciple.com 即可注册使用。

同步转达一下 Mira 产品团队的留言：

「 这两个月来内测用户的每一条反馈，我们都认真看了、认真改了。但我们也知道，这还远远不是终点。科研的场景太多、太复杂、太个性化，我们肯定还有很多没覆盖到的角落。

但有一点我们可以很确定。

我们不会做一个「固定流程」的科研工具。Mira 的底层哲学就是让你来定义流程，我们提供的是让你能自由定义的工具和框架。」

正如 Mira 这颗红巨星背后故事所代表的精神，它是人类历史上第一颗被确认会周期性改变亮度的恒星，彻底打破了“恒星永恒不变”的古老观念。

因为做科研的人最不需要的，就是被人告诉该怎么思考。

以上，既然看到这里了，如果觉得不错，也欢迎转发给身边正在被科研折磨的朋友。

说不定，他们也在等这样一个东西。