科研智能体正在以前所未有的速度涌入实验室和学术机构。从文献检索、代码生成到实验设计、论文撰写，AI不再只是科研人员的“工具”，而是越来越多地被当作“合作者”来使用。MLR-Bench在NeurIPS 2025上发布了一项评估，发现当前AI智能体在生成连贯的研究思路和结构完整的论文方面表现出色，但在实验环节中，有高达80%的案例生成了伪造或无效的实验结果；AstaBench则构建了涵盖2400多个问题的评测套件，覆盖整个科学发现流程。然而，一个尴尬的现实摆在面前：什么是“好”的科研智能体？ 不同团队用不同的基准、不同的指标、不同的评分维度，给出的结论常常难以横向比较。有的强调代码执行的成功率，有的看重文献引用的准确性，有的关注推理的逻辑严密性。标准不一，尺度各异，用户面对琳琅满目的“科研助手”时，几乎无从判断谁更靠谱。这给科研工作者们释放了一个明确的信号：科研智能体，需要一套统一的评分标准。 那么问题来了如果真的有这样一套标准，你的智能体，能得几分？

图1：科研智能体可以当合作者帮忙；拿着打分表问“你的得分是…”，问的不是快不快，而是流程、结果和自主能不能过关。

好的科研智能体，至少得能把一项研究从头做到尾。从想法生成、方案制定、实验执行到论文写作四个阶段，按流程覆盖度分为三级：L1（1分）仅能完成单一环节（如仅生成研究思路或仅撰写摘要），需人类补全其余步骤；L2（2分）可覆盖2-3个环节并实现环节间的信息传递，但跨阶段衔接仍需人工干预；L3（3分）可独立走完从问题提出到论文产出的完整研究闭环，各阶段之间无需人工桥接。当前多数智能体在构思和写作阶段表现尚可，但实验环节80%的案例会产生伪造或无效结果——这正是流程完成度不足的典型表现。[1]

对智能体进行评价，观察智能体是否能够独立完成科研的全流程显然是不够的，还要看智能体给出的结果是否经得起检验。结果按可靠性分为三级：L1（1分）输出结果但无法提供可复现的执行路径或原始数据，结论依赖黑箱；L2（2分）提供可追溯的执行记录，但实验条件、参数设置或数据版本存在模糊之处，第三方复现存在困难；L3（3分）不仅产出结果，还能自动生成完整的实验日志、参数配置与环境快照，确保任何人在相同条件下可独立复现。可靠性是科研的底线，如果智能体生成的结论无法被验证，再快的速度也没有意义。[2]

能够独立且可靠的完成科研任务依然不够，科研环境并非都是稳定且一成不变的，智能体在动态科研环境中的自主性是另一把关键标尺。自主性可分为三级：L1（1分）仅在预设路径下执行指令，遇到异常（如数据缺失、代码报错、结果异常）即停止并等待人工介入；L2（2分）可在预设场景内自主拆解流程化任务，对常见异常有预设处理方案，但超出预设范围的突发问题仍需人类决策；L3（3分）能在动态不确定环境中完成全流程自主闭环，具备异常检测、方案调整与自我纠错能力，即便研究路径偏离预期也能重新规划。一个只能走直线、不会绕路的智能体，在真实的科研探索中很难走远。[3]

那么，综合以上三个标准，我们可以为科研智能体画出一张完整的评分表：流程完成度衡量它能否走完全程，结果可靠性检验它是否值得信任，自主决策能力考察它在未知面前是否足够灵活，三个维度相互独立又彼此制衡，共同形成了一套综合多方面的打分标准。当然，不同科研任务对智能体的要求并不完全相同——文献综述可能更看重流程覆盖面，实验研究则更依赖结果的可验证性。但有一点是确定的：评分不是为了淘汰谁，而是为了让你在选择和使用智能体时，心里有一把清晰的尺子。那么，按照这套规则，你的智能体，能得几分？[1][2][3] 以上关于「科研智能体评分标准，你的智能体能得几分？」的梳理由Scholay整理，信息来源已核查；如有侵权可联系下架。[4]

本文由 Scholay 整理。量子位对科研全流程智能体的报道见量子位，DeepTech对自主科研基准的报道见DeepTech，CNKI具身智能检测综述见CNKI。承接页见 Scholay。