將復(fù)雜科研過(guò)程自動(dòng)化落地，上海人工智能實(shí)驗(yàn)室推出FlowSearch！

在GAIA、HLE、GPQA以及TRQA等科研基準(zhǔn)上，F(xiàn)lowSearch不僅實(shí)現(xiàn)了性能全面領(lǐng)先，還展示了AI在復(fù)雜科研任務(wù)中的動(dòng)態(tài)協(xié)作與深度推理能力。

展開(kāi)來(lái)說(shuō)，當(dāng)AI在問(wèn)答基準(zhǔn)和標(biāo)準(zhǔn)化測(cè)試中表現(xiàn)卓越之時(shí)，其進(jìn)行科學(xué)研究的能力也在被更多關(guān)注。

科學(xué)研究不同于解題或信息檢索，它是一個(gè)開(kāi)放性、長(zhǎng)期且復(fù)雜的認(rèn)知過(guò)程——研究者需要提出原創(chuàng)問(wèn)題、設(shè)計(jì)實(shí)驗(yàn)方案、收集并整合多源證據(jù)，并在不斷迭代中形成系統(tǒng)結(jié)論。

這樣的過(guò)程遠(yuǎn)超計(jì)算能力本身，它要求的是創(chuàng)新思維、動(dòng)態(tài)推理能力以及對(duì)復(fù)雜知識(shí)關(guān)系的精準(zhǔn)掌控。

而FlowSearch，正是一個(gè)由動(dòng)態(tài)結(jié)構(gòu)化知識(shí)流驅(qū)動(dòng)的深度科研智能體。

它通過(guò)動(dòng)態(tài)結(jié)構(gòu)化知識(shí)流構(gòu)建科研任務(wù)的多層依賴圖，并在多智能體框架下實(shí)現(xiàn)任務(wù)的并行探索、知識(shí)的遞歸整合和流程的自適應(yīng)優(yōu)化。

與傳統(tǒng)“輸入—計(jì)算—輸出”的封閉式AI不同，F(xiàn)lowSearch更像一個(gè)理解你研究思路的伙伴——當(dāng)發(fā)現(xiàn)新信息，它會(huì)主動(dòng)調(diào)整計(jì)劃；當(dāng)證據(jù)鏈不完整，它會(huì)引導(dǎo)進(jìn)一步探索；當(dāng)推理偏離目標(biāo)，它會(huì)進(jìn)行自我修正。

研究團(tuán)隊(duì)表示，它標(biāo)志著科研智能體從“被動(dòng)工具”邁向主動(dòng)探索伙伴的新階段，讓科學(xué)發(fā)現(xiàn)不再只是等待AI輸出結(jié)果，而是與AI一起探索、不斷前進(jìn)。

FlowSearch：讓AI成為你的科研探索伙伴

FlowSearch由三大核心模塊組成，每個(gè)模塊都像科研團(tuán)隊(duì)中的“關(guān)鍵成員”，協(xié)同完成復(fù)雜任務(wù)：

1、Knowledge Flow Planner：規(guī)劃研究路線，像科學(xué)家一樣拆解問(wèn)題、逐層細(xì)化制定任務(wù)；

2、Knowledge Collector：執(zhí)行任務(wù)、收集信息，就像勤奮的實(shí)驗(yàn)助理一樣整理數(shù)據(jù)；

3、Knowledge Flow Refiner：反思和優(yōu)化整個(gè)研究流程，確?？蒲兴悸非逦⑦B貫、可持續(xù)。

當(dāng)你提出研究問(wèn)題時(shí)，F(xiàn)lowSearch先由Planner構(gòu)建初步的知識(shí)流——每個(gè)節(jié)點(diǎn)代表一個(gè)子問(wèn)題或關(guān)鍵概念，節(jié)點(diǎn)之間的連接描繪了知識(shí)依賴關(guān)系。

隨后，多名“智能體”同時(shí)開(kāi)始執(zhí)行任務(wù)，Collector不斷填充節(jié)點(diǎn)內(nèi)容，而Refiner會(huì)根據(jù)中間結(jié)果動(dòng)態(tài)調(diào)整流程——增刪任務(wù)、優(yōu)化依賴，讓科研路徑像有生命一樣逐步演化。

動(dòng)態(tài)結(jié)構(gòu)化知識(shí)流：科研的邏輯網(wǎng)絡(luò)

FlowSearch使用有向無(wú)環(huán)圖把科研任務(wù)和知識(shí)關(guān)系可視化。每個(gè)節(jié)點(diǎn)都攜帶任務(wù)類型（檢索、求解、回答）、描述和知識(shí)上下文，而節(jié)點(diǎn)間的邊定義了信息流向。

這種設(shè)計(jì)讓科研推理不再依賴線性順序，而能同時(shí)展開(kāi)多條探索路徑，每一步都可追蹤和驗(yàn)證。

換句話說(shuō)，它不僅讓 AI 能“想清楚每一步”，也讓你能隨時(shí)理解科研過(guò)程的脈絡(luò)。

遞歸式知識(shí)流規(guī)劃：逐層拆解科研問(wèn)題

高質(zhì)量的科研規(guī)劃源于逐層細(xì)化的專家式思維。Planner模塊采用遞歸擴(kuò)展策略——從總問(wèn)題出發(fā)，識(shí)別每一層需要細(xì)化的子任務(wù)，生成新的節(jié)點(diǎn)和依賴關(guān)系。

這一過(guò)程持續(xù)進(jìn)行，直到形成完整的初始知識(shí)流。FlowSearch中的InternPlanner模型經(jīng)過(guò)結(jié)構(gòu)化科研任務(wù)數(shù)據(jù)微調(diào)，能夠?qū)W習(xí)專家的拆解方式，讓AI的規(guī)劃既邏輯清晰，又穩(wěn)健可靠。

知識(shí)采集與動(dòng)態(tài)反思：讓科研像“活”起來(lái)

Knowledge Collector執(zhí)行任務(wù)、收集信息，并把結(jié)果整理成節(jié)點(diǎn)知識(shí)，為后續(xù)推理提供輸入。

任務(wù)執(zhí)行完成后，Knowledge Flow Refiner會(huì)啟動(dòng)反思機(jī)制：它能根據(jù)新信息調(diào)整節(jié)點(diǎn)和依賴關(guān)系，優(yōu)化任務(wù)順序，確保知識(shí)流持續(xù)進(jìn)化。

這意味著FlowSearch不只是一個(gè)執(zhí)行工具，它具備自組織、自糾錯(cuò)、自優(yōu)化能力，可以在復(fù)雜科研任務(wù)中保持全局一致性，同時(shí)靈活應(yīng)對(duì)局部變化。

以上設(shè)計(jì)讓FlowSearch同時(shí)具備：

• 層次化分解能力：仿佛每個(gè)科研問(wèn)題都能被拆解到最合適的顆粒度；
• 多路并行探索能力：智能體可以同時(shí)處理多個(gè)任務(wù)，提高效率；
• 全局收斂能力：動(dòng)態(tài)調(diào)整確保最終知識(shí)流完整、邏輯自洽。

無(wú)論是復(fù)雜跨學(xué)科研究，還是大規(guī)模數(shù)據(jù)分析，F(xiàn)lowSearch都能讓科研不再只是“等待AI輸出”，而是真正的與AI共同探索。

實(shí)驗(yàn)結(jié)果與分析

1、綜合性能突破

FlowSearch在三大權(quán)威基準(zhǔn)GAIA、GPQA-diamond、HLE上，全面超越現(xiàn)有方法。

在生物領(lǐng)域的專業(yè)基準(zhǔn)TRQA上，F(xiàn)lowSearch依托通用工具鏈超越了多個(gè)領(lǐng)域?qū)Ｓ媚Ｐ?，顯示出強(qiáng)大的專業(yè)問(wèn)題解決能力。

2、模塊有效性驗(yàn)證

去除動(dòng)態(tài)知識(shí)流建?；蚍此寄K均導(dǎo)致顯著性能下降，驗(yàn)證了結(jié)構(gòu)化規(guī)劃與動(dòng)態(tài)調(diào)整機(jī)制在提升推理深度與系統(tǒng)穩(wěn)定性方面的關(guān)鍵價(jià)值。

3、Internplanner模型訓(xùn)練效果

經(jīng)過(guò)微調(diào)的Internplanner-32B相比基礎(chǔ)模型Qwen-3-32B在GAIA上提升約6個(gè)百分點(diǎn)，表明結(jié)構(gòu)化知識(shí)訓(xùn)練能夠顯著增強(qiáng)模型的規(guī)劃能力與任務(wù)一致性。

4、案例分析

通過(guò)FlowSearch與OWL的對(duì)比案例可以看出，F(xiàn)lowSearch通過(guò)顯式依賴建模與中間結(jié)果整合，有效避免了證據(jù)丟失與邏輯鏈斷裂，展現(xiàn)出更高的推理透明度與可解釋性。

同時(shí)，F(xiàn)lowSearch不僅能夠高質(zhì)量地完成科研問(wèn)答任務(wù)，還能直接適配于科學(xué)調(diào)研與報(bào)告生成任務(wù)，產(chǎn)出完整、全面且邏輯清晰的科學(xué)調(diào)研成果。

應(yīng)用前景與科研影響

團(tuán)隊(duì)表示，F(xiàn)lowSearch的提出標(biāo)志著科研智能體從“任務(wù)執(zhí)行”向“知識(shí)驅(qū)動(dòng)推理”的關(guān)鍵轉(zhuǎn)變。

• 對(duì)于科研新人，它能夠構(gòu)建完整的知識(shí)探索路徑，降低進(jìn)入新領(lǐng)域的學(xué)習(xí)門檻；
• 對(duì)跨學(xué)科研究者，它提供了知識(shí)流整合與多模態(tài)信息融合能力；
• 對(duì)資深學(xué)者，它可作為智能研究助手，在假設(shè)生成、證據(jù)聚合和報(bào)告撰寫(xiě)階段顯著提升效率。

更重要的是，F(xiàn)lowSearch的動(dòng)態(tài)結(jié)構(gòu)化框架為未來(lái)可解釋科研智能體與自演化科學(xué)發(fā)現(xiàn)系統(tǒng)奠定了通用基礎(chǔ)——使智能體具備類研究者的思考、探索與自我反思能力，推動(dòng)人工智能從工具向真正的科研伙伴演進(jìn)。

論文鏈接：https://arxiv.org/abs/2510.08521
GitHub倉(cāng)庫(kù)：https://github.com/Alpha-Innovator/InternAgent