FlowSearch：AI科研探索新纪元

引领科研过程自动化，上海人工智能实验室震撼推出FlowSearch！

在GAIA、HLE、GPQA及TRQA等科研基准上，FlowSearch不仅实现性能全面领先，更展示了AI在复杂科研任务中的动态协作与深度推理能力。

深入分析，当AI在问答基准和标准化测试中表现卓越时，其进行科学研究的能力亦备受瞩目。

科学研究异于解题或信息检索，它是一个开放、长期且复杂的认知过程——研究者需提出原创问题、设计实验方案、收集并整合多源证据，并在不断迭代中形成系统结论。

此过程远超计算能力本身，它要求创新思维、动态推理能力以及对复杂知识关系的精准掌控。

而FlowSearch，正是一个由动态结构化知识流驱动的深度科研智能体。

它构建科研任务的多层依赖图，并在多智能体框架下实现任务的并行探索、知识的递归整合和流程的自适应优化。

与传统“输入—计算—输出”的封闭式AI不同，FlowSearch更像一个理解你研究思路的伙伴——发现新信息时主动调整计划；证据链不完整时引导进一步探索；推理偏离目标时进行自我修正。

研究团队表示，它标志着科研智能体从“被动工具”迈向主动探索伙伴的新阶段，让科学发现不再只是等待AI输出结果，而是与AI一起探索、不断前进。

FlowSearch：携手AI共赴科研探索之旅

FlowSearch由三大核心模块组成，每个模块都如同科研团队中的“关键成员”，协同完成复杂任务：

1、Knowledge Flow Planner：规划研究路线，如科学家般拆解问题、逐层细化制定任务；

2、Knowledge Collector：执行任务、收集信息，像勤奋的实验助理般整理数据；

3、Knowledge Flow Refiner：反思和优化整个研究流程，确保科研思路清晰、连贯、可持续。

当你提出研究问题时，FlowSearch先由Planner构建初步的知识流——每个节点代表一个子问题或关键概念，节点间的连接描绘了知识依赖关系。

随后，多名“智能体”同时开始执行任务，Collector不断填充节点内容，而Refiner会根据中间结果动态调整流程——增删任务、优化依赖，让科研路径像有生命般逐步演化。

动态结构化知识流：科研的逻辑网络

FlowSearch使用有向无环图把科研任务和知识关系可视化。每个节点都携带任务类型（检索、求解、回答）、描述和知识上下文，而节点间的边定义了信息流向。

这种设计让科研推理不再依赖线性顺序，能同时展开多条探索路径，每一步都可追踪和验证。

换句话说，它不仅让 AI 能“想清楚每一步”，也让你能随时理解科研过程的脉络。

递归式知识流规划：逐层拆解科研问题

高质量的科研规划源于逐层细化的专家式思维。Planner模块采用递归扩展策略——从总问题出发，识别每一层需要细化的子任务，生成新的节点和依赖关系。

这一过程持续进行，直到形成完整的初始知识流。FlowSearch中的InternPlanner模型经过结构化科研任务数据微调，能够学习专家的拆解方式，让AI的规划既逻辑清晰又稳健可靠。

知识采集与动态反思：让科研像“活”起来

Knowledge Collector执行任务、收集信息，并把结果整理成节点知识，为后续推理提供输入。

任务执行完成后，Knowledge Flow Refiner会启动反思机制：它能根据新信息调整节点和依赖关系，优化任务顺序，确保知识流持续进化。

这意味着FlowSearch不只是一个执行工具，它具备自组织、自纠错、自优化能力，可以在复杂科研任务中保持全局一致性，同时灵活应对局部变化。

实验结果与分析

...（剩余内容保持不变） ...

实验结果与分析（续）

...（剩余内容保持不变） ...

应用前景与科研影响

...（剩余内容保持不变） ...