万人内测，科研神器Mira爆火！4h肝出论文初稿，全自动接管科研

科研工作者可能是这个世界上最忙的一群人。

不是因为他们做的事情多，而是因为他们需要在太多工具之间反复横跳。打开 Zotero 查文献，切到 VS Code 跑代码，再切到专业工具里作图改图，中间还要穿插着跟 ChatGPT 讨论实验设计。

每一个切换都意味着注意力的断裂，每一次断裂都要花十几分钟才能重新进入深度工作状态。

心理学上把这叫「认知切换成本」，搞过科研的都懂这句话的分量。

而今天，一款由「深度原理 Deep Principle」团队开发、被上万名科研人员内测验证的科研龙虾 SciClaw 正在给出这道难题的独到解法，在上线内测的两个月里，研发团队虚心吸收了众多科研人的反馈和批评，让这款产品完成了从工具到平台的蜕变，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，是为遵循科研中最核心的：假设 -> 实验 -> 观察 -> 迭代 链路，给出「不去预定义固定的科研流程」而是「提供支撑自由定义全流程能力」的产品解法。

专家小队

每个人都能组建自己的 AI 实验室

过去半年，GitHub 上出现了至少十几个号称能「自动做科研」的开源项目。它们的工作流高度相似：搜索文献、提取信息、生成假设、运行代码、画图、写报告。

但用过的人都知道，这些工作流的共同问题是——它们按照一个固定的剧本在运行。而科研，从来不是一个固定剧本。

Mira 的专家小队模式（Agent Squad）选择了一条完全不同的路径。它不预设工作流，而是给你一个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仅用 1 分钟就配置好了自己的 Auto Research 框架，将研究方向输入后，Agent 团队在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。」

另外，他还补充道「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

如果说专家小队解决的是「怎么干」的问题，那么科研画布解决的就是「怎么看」的问题。

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，要交叉比对它们，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 Movie Story。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

还有一个更朴素但更让人有安全感的场景：电脑死机。在传统的工作方式下，你可能需要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。你打开网页，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。它会做判断——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，中途从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：代码的需求是相对明确的，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，但它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，「深度原理 Deep Principle」团队对新智元强调道，科研的场景太多、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。

文章来自于微信公众号 “新智元”，作者 “新智元”