一句话总结

来自理海大学、伊利诺伊大学芝加哥分校、宾夕法尼亚大学、马里兰大学、圣母大学和不列颠哥伦比亚大学的研究人员提出了 Dr. Claw，一个开源工作区，将现有的编码 agent 执行器封装在可控、可审计的人机协同工作流中，利用持久化状态对象、可复用的技能库和多执行器协调，将人类决策与 AI 执行相连接，与使用相同后端的裸命令行 agent 相比，实现了更高的研究完整性和可追踪、可恢复的过程记录。

核心贡献

• 正式定义了 Vibe Research，一种可控的、人机协同的研究编排范式，将 AI 执行与人类决策责任分离，与端到端自主方法形成对比。
• 在 Dr. Claw 中实现了该范式，这是一个开源工作区，通过以任务图为中心的编排、聊天驱动的规划器、模块化技能库（五个阶段映射 58 项技能，部署目录中包含 171 项）以及兼容主流编码 agent 的多 agent 执行层，封装现有的命令行编码 agent。
• 一项控制试点评估在固定后端执行器的情况下显示，Dr. Claw 通过弥补研究卫生缺口，在研究完整性上得分高于裸 agent，同时持久化可审计、可恢复的过程记录；一项回顾性研究进一步将集成工作流与非集成工作流相比，关联到效率、质量和可用性的提升。

引言

大型基础模型和 agent 工具改善了文献综述、想法生成和代码实现等核心研究操作，但命令行编码 agent 优化的是执行而非控制。计划、中间决策和产物往往分散或丢失，留给人类的显式接管点很少。瓶颈在于全流程编排：研究人员仍需在不同工具之间切换以进行分解、调度、跟踪和验证，这削弱了可复现性和交付可靠性。人机交互证据表明，协作成本主要由验证和上下文维护主导，过程可见性和可中断控制至关重要。先前的端到端自动化或通用多 agent 框架研究很少优先考虑长时程工作流中的可控性或持续的人类接管。

作者提出了 Dr. Claw，一个一站式工作区，将规划、执行和写作统一为可控、可追踪、可恢复且可审计的研究循环。他们正式定义了一种名为 Vibe Research 的范式，其中 AI 负责高吞吐量的执行任务，而人类拥有研究方向、评估标准和最终验收权。Dr. Claw 封装现有的命令行编码 agent，而非引入新的执行器，并增加了此类 agent 所缺乏的状态、控制和审计层。它采用以任务图为中心的编排、聊天驱动的规划器，以及包含五个研究阶段中 58 项阶段映射技能的模块化技能库。系统持久化四个状态对象：任务图、产物存储、决策日志和执行轨迹。一项控制试点评估在固定后端执行器的情况下显示，Dr. Claw 在完整性上得分高于裸 agent，同时独特地持久化可审计、可恢复的过程记录。一项回顾性人类研究提供了关于效率、质量和可用性提升的补充证据，相对于非集成工作流。

方法

3 系统概述

Dr. Claw 围绕一个核心问题设计：如何让研究人员在连续工作流中完成问题定义、实验推进和论文产出，而非在孤立工具之间切换。它将研究建模为显式可追踪的工作流，将人类决策与 AI 执行组织为稳定的协作结构。

3.1 设计目标与系统抽象

Dr. Claw 编排四个状态对象：任务图、产物存储、决策日志和执行轨迹。它们共同将交互历史转换为可审查的过程，支持迭代编排而非一次性生成：用户提供高层目标和约束，系统将其映射为可执行任务，并支持持续检查和接管。一次任务交互是一次状态转换：

$$\mathrm{State}_{t+1} = f(\mathrm{State}_{t}, \mathrm{Action}_{t}, \mathrm{Obs}_{t}),$$Statet+1​=f(Statet​,Actiont​,Obst​),

其中 State 表示时间 $t$t 时的工作流状态（由任务图、产物存储、决策日志和执行轨迹共同构成），$\mathrm{Action}_{t}$Actiont​ 是系统或用户触发的动作，$\mathrm{Obs}_{t}$Obst​ 是观察到的反馈。该公式强调 Dr. Claw 优化的是迭代状态更新而非单次响应。

3.2 三层系统架构

Dr. Claw 使用三个协作层：

• 交互：统一的聊天、任务视图、文件和版本操作工作区。
• 编排：从高层意图到阶段任务的状态和生命周期管理。
• 执行：跨异构执行器的后端调用、结果返回和异常处理。

该设计支持在不改变工作流语义的情况下切换后端，同时保持统一的状态和审计视图。

3.3 以工作流为中心的交互循环

给定一个研究想法，系统生成结构化简报和依赖感知的任务计划，然后运行“规划–执行–验证–回写”的工作流步骤。执行输出写入产物存储，任务状态在任务图中更新，所有干预保留在决策日志和执行轨迹中。该工作流支持带显式人类检查点的长时程迭代。

3.4 基于技能的能力与多执行器协调

Dr. Claw 提供可复用的技能库，涵盖构思、文献处理、实验、分析和写作。每项技能是一个包含 SKILL.md 清单的目录，其 YAML frontmatter 声明名称和描述，通常还包含版本、许可证、允许的工具以及阶段或领域标签。技能在激活前经过版本化和模式检查，并通过三条路径到达任务：阶段–技能映射将任务的阶段和类型解析为一组建议技能，附加到任务节点并注入其下一步操作提示；对用户指令和任务文本的关键词检测可自动加载技能；用户也可以从技能仪表板手动调用目录中的任何技能。Dr. Claw 还在一个项目上下文中协调多个执行器，使用户可以根据任务类型切换执行策略，并在失败或违反约束时重试、修改或接管，而不会破坏全局状态。

3.5 安全与可控性机制

鉴于外部调用和代码执行的风险，Dr. Claw 将权限管理视为一等机制，支持细粒度的工具和命令策略，区分安全默认设置与受信任的扩展设置。动作仅在属于当前策略定义的动作集时才被允许：

$$\mathrm{Action}_{t} \in \mathcal{A}(\mathrm{Policy}_{t}),$$Actiont​∈A(Policyt​),

其中 Policy 是时间 $t$t 时的权限配置，$\mathcal{A}(\mathrm{Policy}_{t})$A(Policyt​) 是可执行动作空间，保证了执行能力与安全边界之间的一致性。

实验

评估使用一个演示场景和三项研究来验证 Dr. Claw，即命令行编码 agent 之上的编排层。在与裸 agent 的开放式研究任务对比中，Dr. Claw 在三个任务中的两个上实现了更高的完整性（合并 0.952 对比 0.873），增益完全来自研究卫生元素，如局限性章节、亚组分析和真实引用，而两种条件在建模严谨性上匹配；然而，试点结果在统计上不显著，且 Dr. Claw 带来有限的额外开销。一项单独的单条件演示展示了非破坏性故障恢复，其中诱导的错误被就地修正，同时保留先前的产物。一项涉及七名研究人员跨三个阶段的回顾性人类研究将 Dr. Claw 与更短的完成时间、更高的输出质量、更少的工具切换以及自我报告体验中最显著的改善相关联。

该表格在执行、编排、交互和自主性维度上比较了 Dr. Claw 与先前系统，显示 Dr. Claw 独特地结合了封装 CLI agent、内置研究状态对象和运行中接管。大多数先前系统仅支持其中部分功能，而 Dr. Claw 是唯一集成所有功能的系统。Dr. Claw 是唯一同时完全支持内置研究状态、就地恢复和运行中接管的系统。像 AI Scientist 和 Agent Laboratory 这样的端到端自主系统优先考虑无人值守操作，但缺乏内置研究状态和运行中接管。像 AutoGen Studio 这样的 agent 创作工具支持编排，但不封装 CLI agent 或提供内置研究状态。Dr. Claw 的设计通过持久化状态对象强调人类监督，与不持久化此类状态的裸 agent 形成对比。

一项跨执行、编排、交互和自主性的比较评估显示，Dr. Claw 独特地集成了封装的 CLI agent、内置研究状态对象和运行中接管，而先前系统仅支持这些能力的子集。与优先考虑无人值守操作的端到端自主系统和专注于编排的 agent 创作工具不同，Dr. Claw 是唯一结合所有三项功能的系统，通过持久化状态对象而非无状态操作来强调人类监督。