万人内测Mira科研神器火爆4小时全自动生成论文初稿

科研工作者大概是这个世界上最忙的一群人。 倒不是因为他们事情多，而是在太多工具之间反复横跳这件事太消耗人。打开 Zotero 查文献，切到 VS Code 跑代码，再切到专业工具里画图改图，中间还得跟 ChatGPT 讨论实验设计。每一次切换都是一次注意力断裂，而每一次断裂都需要十几分钟才能重新回到深度工作状态。 心理学管这叫“认知切换成本”。搞过科研的，都懂这五个字的分量。 而今天，一款由“深度原理 Deep Principle”团队开发、经过上万名科研人员内测验证的工具——科研龙虾 SciClaw，正在给出这道难题的另一种解法。内测两个月后，研发团队吸收了来自科研一线的真实反馈，把这款产品从工具升级为一个平台。升级后的它，叫 Mira。 这是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。 这次升级的核心思路很直接：遵循科研中最根本的链路——假设 → 实验 → 观察 → 迭代。不预设固定的科研流程，而是提供支撑自由定义全流程的能力。

专家小队：每个人都能组建自己的 AI 实验室

过去半年，GitHub 上冒出了至少十几个号称能“自动做科研”的开源项目。工作流高度相似：搜索文献、提取信息、生成假设、运行代码、画图、写报告。 但用过的人都清楚一个问题——它们都在按一个固定的剧本运行。科研，从来不是固定剧本。 Mira 的专家小队模式选择了一条完全不同的路径。它不预设工作流，而是给你一张空白的队伍配置面板。 你需要文献检索的队员，就配置一个；需要代码执行的队员，就加一个；需要数据可视化的队员，再来一个。每个队员的分工、协作顺序、信息传递方式，全部由你定义。 专家小队模式下，可以通过像素风的办公室场景查看各个小队成员的工作状态和内容。 内测阶段，已经有研究者用这套体系跑出了惊人的效率。一位刚入学的博士生只用了 1 分钟就配置好了自己的 Auto Research 框架。把研究方向输入后，Agent 团队当天下午就产出了一篇完整的 AI Paper 初稿——从文献综述到实验设计到结果分析，全链路覆盖。 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。 当然，初稿还需要人工修改。但正如这位博士生所说：“它最大的价值不是省了多少时间，而是让我能同时推进三个课题了。”他补充道：“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。

科研画布：一张无限大的科研桌面

如果专家小队解决的是“怎么干”，那么科研画布解决的就是“怎么看”。 做过材料模拟的都知道，一组计算结果往往包含多种格式的文件：CIF 结构文件、XRD 图谱、能带图、态密度曲线，外加一组对照组数据。以前，要交叉比对，你需要在多个软件之间来回切换。比着比着就忘了自己在看哪一组。 Mira 的科研画布把所有格式的文件放在同一个无限平面上。侧边栏是全部文件列表，中间是自由拖拽的画布。PDF 文献、代码输出、实验图表、手写笔记——全部在一个视图里，随时排列、比对、标注。 一位做材料计算的用户这样形容：“就像给我的科研拍了一部电影。从项目第一天开始，每一次尝试、每一次失败、每一次参数调整，全部记录在画布的时间线上。任何时候需要复盘，打开画布，一切都在。” 在 Mira 上可以计算并查看专业计算模拟的结果，通过笔记随时记录研究发现，并将结果导出到论文中使用。 还有一个更朴素但让人有安全感的场景：电脑死机。传统方式下，你可能会花半小时甚至更久来恢复状态。但在 Mira 的画布里，所有内容实时云端保存。只要打开网页，一切都在，跟你宕机前一模一样。 在生物信息学领域，一位处理多组学数据的用户发现了一个更有意思的用法。他把 RNA-seq、蛋白质组和代谢组的三套分析结果全部扔进画布，并排对比做关联分析。“唯一的问题就是屏幕不够大”，他说。 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。

WIKI：你的 AI 助手在深夜帮你做知识管理

这是 Mira 三个核心功能里最特别的一个。 白天你跟 Agent 大战了三百回合，给了无数指令，纠正了无数次错误，上传了大量文献。这些都是你今天投入的认知成本。但问题来了——明天它还记得吗？下周一呢？一个月后项目进入关键阶段的时候呢？ Mira 的 WIKI 给出了一个独特的解法。每晚在你休息的时候，它会自动运行，把你当天所有的对话记录、任务执行结果、上传资料全部处理一遍。 但它不是无脑地把所有内容塞进 Wiki。它会判断——哪些是你反复提及的核心概念，哪些是值得沉淀的结论，哪些是需要持续关注的未解决问题。然后，它把这些东西结构化地写入你的项目专属知识库。 一位做计算神经科学的用户对此深有感触。他的大脑计算模型项目跨度超过半年，中途经历过多次思路切换，积累了数百个任务结果。“如果没有 WIKI，这些东西就是一堆散落的数据片段。”他说。 “但有了 WIKI 之后，项目知识被自动整理成了结构化的文档体系。课题研究有哪些可能的方向，什么时候换了什么思路、为什么换、每次换的结果是什么——清清楚楚。” 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。 更进阶的用法来自一位做世界史学习的用户。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。“比我大学四年做的所有笔记加起来都有用”，他这样评价。 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。

Vibe Researching：重新定义人与 AI 的科研协作

三个功能讲完，背后有一个更大的概念值得展开。 “Vibe Researching”的灵感来自这两年编程圈很火的“Vibe Coding”——你不用一行行写代码，只需要描述想要什么，AI 帮你搞定。 但科研跟写代码有一个本质区别：代码的需求相对明确，而科研的需求是模糊的、探索性的，甚至你在出发时根本不知道答案是什么。 所以 Vibe Researching 不是“你描述，AI 搞定”的简单复制。它的真正形态是：你放心探索，AI 保驾护航。 你负责方向、直觉、那个凌晨两点半突然冒出来的灵感，守住人类最宝贵的科研 Taste。AI 负责扫清障碍、快速执行和迭代，记住走过的路，在需要的时刻随时提醒你可能已经遗忘的知识。 Mira 的三个功能——专家小队负责执行、科研画布负责记录、WIKI 负责沉淀——恰好构成了这一理念的完整闭环。 而这个闭环指向的，是科研工作中一个长期被忽视的问题：孤独感。 花三个月验证一个假设，最后发现是错的；跑无数次实验，只为了确认一个特别小的参数；深夜盯着空白的结果页面，脑子里只有一个念头“这条路到底对不对”。这种体验，不做科研的人是很难共情的。 Mira 能做的事情其实很朴素：它记得你的每一个决策、每一次失败、每一个微小的进步。它不会替你走路，但让你在走这条路的时候，身边有一个永远不会忘事、永远不会疲倦的伙伴。

Mira 正式开放注册

经过两个月的内测和迭代，Mira 已正式面向所有用户开放注册。专家小队、科研画布、WIKI 三大核心功能全部开放。访问 sciclaw.cn 即可注册使用。 同时，本身具备 AI 模型研发能力的深度原理团队，基于自研模型和自建基础设施能力，持续在 Mira 中提供丰富的基础科研数据集、工具和模型，从底层助力科学发现创新。 这远不是终点。科研场景太多、太复杂、太个性化，Mira 的底层设计哲学就是“让研究者定义流程，平台提供自由组合的工具和框架”。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想要的，就是被人告诉该怎么思考。