[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-vibe-research-ai-tools-workflows-zh":3,"article-related-vibe-research-ai-tools-workflows-zh":35,"series-tools-a109dac1-43f3-4a6b-982c-13b59e8f61e9":87},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":27,"views":31,"created_at":32,"published_at":33,"topic_cluster_id":34},"a109dac1-43f3-4a6b-982c-13b59e8f61e9","vibe-research-ai-tools-workflows-zh","Vibe Research：用 AI 加速研究流程","\u003Cp data-speakable=\"summary\">Vibe research 是把 LLM、\u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa>、coding 工具和 review loop 串起來，讓研究流程更快變成可執行的工作。\u003C\u002Fp>\u003Cp>說真的，這東西不只是聊天而已。它是在把研究工作拆成可交給 AI 的步驟。從讀論文、改程式，到跑實驗、比結果，都能接進同一條流程。\u003C\u002Fp>\u003Cp>這件事很實際。因為研究最卡的地方，常常不是想法，而是中間那段雜事。模型可以先讀文件，也可以去看 repo、改檔案、跑測試，然後把結果丟回來給人判斷。\u003C\u002Fp>\u003Cp>講白了，重點不是模型會不會寫字。重點是它能不能真的進工作流。這也是 vibe research 跟一般聊天機器人差最多的地方。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>流程環節\u003C\u002Fth>\u003Cth>AI 做什麼\u003C\u002Fth>\u003Cth>為什麼有用\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>文獻回顧\u003C\u002Ftd>\u003Ctd>摘要論文與抽出主張\u003C\u002Ftd>\u003Ctd>縮短第一輪閱讀時間\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>程式修改\u003C\u002Ftd>\u003Ctd>讀 repo 並編輯檔案\u003C\u002Ftd>\u003Ctd>讓實驗更容易反覆迭代\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>實驗迴圈\u003C\u002Ftd>\u003Ctd>跑測試並比較輸出\u003C\u002Ftd>\u003Ctd>加快重複性評估\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>審查系統\u003C\u002Ftd>\u003Ctd>對照規則或 rubric 檢查結果\u003C\u002Ftd>\u003Ctd>提早抓出薄弱結論\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>Vibe research 到底是什麼\u003C\u002Fh2>\u003Cp>Vibe research 不是正式標準，也不是單一產品。它比較像一種工作法。把大型語言模型、\u003Ca href=\"\u002Ftag\u002Fagentic-coding\">agentic coding\u003C\u002Fa> 工具、實驗追蹤，還有人類審查放在同一個迴圈裡。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778904653705-zekc.png\" alt=\"Vibe Research：用 AI 加速研究流程\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這種做法的目標很直接。就是讓研究更可執行。想法不再停在筆記裡，而是能一路走到程式、實驗和結果。\u003C\u002Fp>\u003Cp>你可以把它想成研究版的自動化管線。不是叫 AI 幫你想完所有答案，而是讓它幫你處理那些重複、瑣碎、但很花時間的步驟。\u003C\u002Fp>\u003Cp>現在很多工具都在往這方向走。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fclaude-code\" target=\"_blank\" rel=\"noopener\">Claude Code\u003C\u002Fa> 可以從 terminal 看 repo、改檔案。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fcodex\" target=\"_blank\" rel=\"noopener\">OpenAI Codex\u003C\u002Fa> 把 code-oriented 助手放進開發流程。\u003Ca href=\"https:\u002F\u002Fwww.cursor.com\" target=\"_blank\" rel=\"noopener\">Cursor\u003C\u002Fa> 則讓你在同一個介面裡問問題、改程式、保留上下文。\u003C\u002Fp>\u003Cul>\u003Cli>LLM 適合做論文摘要、假設草稿、結果整理。\u003C\u002Fli>\u003Cli>Agent 可以改程式、跑指令、照 checklist 做事。\u003C\u002Fli>\u003Cli>Coding 工具把研究脈絡綁在 repo 上。\u003C\u002Fli>\u003Cli>Review 系統能在結論前多看一眼。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>為什麼流程比模型更重要\u003C\u002Fh2>\u003Cp>研究工作裡，模型本身很重要，但流程設計\u003Ca href=\"\u002Fnews\u002Faws-repository-wide-security-scanner-matters-zh\">更重要\u003C\u002Fa>。因為複雜任務一多，單靠一個強模型不夠。它可能講得很順，卻不一定對。\u003C\u002Fp>\u003Cp>如果有 tests、logs、rubric 和 review，情況就不同。就算模型沒那麼強，還是能省下不少時間。因為它至少知道下一步該做\u003Ca href=\"\u002Fnews\u002Fwhy-docker-microvm-sandboxes-ai-agents-zh\">什麼\u003C\u002Fa>。\u003C\u002Fp>\u003Cp>這也是很多團隊現在的做法。不是只丟一個 prompt，而是做一整個 loop。先規劃，再改 code，再跑實驗，再檢查結果，最後才做人類決策。\u003C\u002Fp>\u003Cp>這裡有一個很重要的觀念。失敗要能被看見。不要把錯誤包裝成漂亮文字。那種東西看起來很像答案，其實只是幻覺。\u003C\u002Fp>\u003Cblockquote>\u003Cp>“The future of software development is going to be less about writing code and more about orchestrating AI systems.” — Andrej Karpathy\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>Karpathy 這句話放在 vibe research 上也很準。研究者正在從「自己一行一行寫」變成「管理一個會做事的系統」。\u003C\u002Fp>\u003Cp>這代表好習慣也要跟著變。任務定義要清楚。實驗要可重現。審查標準要寫明白。因為 agent 跑得快，亂起來也很快。\u003C\u002Fp>\u003Cp>我覺得這點很現實。你如果沒有把流程定好，AI 只會幫你更快地把混亂放大。\u003C\u002Fp>\u003Ch2>這些工具實際上差在哪\u003C\u002Fh2>\u003Cp>不同工具，吃的是不同環節。有人強在 code edit。有人強在\u003Ca href=\"\u002Ftag\u002F長上下文\">長上下文\u003C\u002Fa>閱讀。有人強在把專案維持得比較整齊。這差很多。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778904668491-899n.png\" alt=\"Vibe Research：用 AI 加速研究流程\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>如果你在做 model research，需求跟產品實驗不一樣。如果你是工程導向的分析，也不一樣。所以工具選擇不能只看名氣。\u003C\u002Fp>\u003Cp>下面這幾個例子很常見。\u003Ca href=\"https:\u002F\u002Fwww.cursor.com\" target=\"_blank\" rel=\"noopener\">Cursor\u003C\u002Fa> 適合 codebase 很重的工作。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fclaude-code\" target=\"_blank\" rel=\"noopener\">Claude Code\u003C\u002Fa> 適合 terminal 工作流。\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fintroducing-codex\u002F\" target=\"_blank\" rel=\"noopener\">Codex\u003C\u002Fa> 適合想把 code help 接到更大模型堆疊的團隊。\u003Ca href=\"https:\u002F\u002Fwww.langchain.com\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa> 則常拿來串 agent、工具和 retrieval。\u003C\u002Fp>\u003Cp>真正要比的，不是功能列表。是它能吃掉多少研究流程。只幫一小段，團隊還是要一直切 context。能接住整個 loop，才真的省事。\u003C\u002Fp>\u003Cp>這裡也很容易看出 review 系統的價值。模型可以先寫摘要，但 review \u003Ca href=\"\u002Fnews\u002Fwhy-solanas-developer-surge-matters-more-than-ethereums-lead-zh\">la\u003C\u002Fa>yer 可以去對照 logs、\u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 數字、原始假設。這能提早抓出那種「文筆很好，證據很弱」的內容。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.cursor.com\" target=\"_blank\" rel=\"noopener\">Cursor\u003C\u002Fa>：適合直接在 codebase 裡做快速修改。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fclaude-code\" target=\"_blank\" rel=\"noopener\">Claude Code\u003C\u002Fa>：適合命令列重度工作。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fintroducing-codex\u002F\" target=\"_blank\" rel=\"noopener\">Codex\u003C\u002Fa>：適合接在更完整的模型堆疊裡。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.langchain.com\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa>：適合把 agent 與工具流程化。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>數字怎麼看，才不會被話術騙\u003C\u002Fh2>\u003Cp>如果原始素材裡有 3 個以上數字，就應該把數字拉出來看。因為研究流程很容易被形容詞帶歪。數字比較誠實。\u003C\u002Fp>\u003Cp>這篇素材裡至少有 4 個明確環節。文獻回顧、程式修改、實驗迴圈、審查系統。每一段都能對應到不同工具，也能對應到不同成本。\u003C\u002Fp>\u003Cp>你如果把這些步驟拆開，就會發現 AI 最有用的地方不是單點能力，而是減少切換。少一次人工搬資料，少一次手動改檔案，少一次重跑測試，時間就省下來了。\u003C\u002Fp>\u003Cp>下面這種比較方式比較務實。\u003C\u002Fp>\u003Cul>\u003Cli>文獻回顧：AI 先摘要，再由人確認論點。\u003C\u002Fli>\u003Cli>程式修改：AI 先提 patch，再由人看 diff。\u003C\u002Fli>\u003Cli>實驗迴圈：AI 幫忙跑測試，人看結果是否可信。\u003C\u002Fli>\u003Cli>審查系統：AI 先做初篩，人做最後裁決。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你只看模型分數，很容易看走眼。因為研究不是單次問答。研究是多輪迭代。每一輪都會產生資料，也會產生誤差。\u003C\u002Fp>\u003Cp>所以我會建議團隊看兩個數字。第一個是每次迭代少花多少分鐘。第二個是錯誤率有沒有下降。這兩個比「模型很會講」有用多了。\u003C\u002Fp>\u003Ch2>這種工作法的背景是什麼\u003C\u002Fh2>\u003Cp>vibe research 其實是更大趨勢的一部分。大家開始把 LLM 當成工作系統，而不是單純問答機器。這在\u003Ca href=\"\u002Ftag\u002F軟體開發\">軟體開發\u003C\u002Fa>圈尤其明顯。\u003C\u002Fp>\u003Cp>原因很簡單。很多工作本來就不是一次完成。它需要查資料、寫程式、跑實驗、看 log、再修正。AI 剛好可以切進這些環節。\u003C\u002Fp>\u003Cp>但這也代表風險變高。流程如果沒設好，錯誤會跑得比人快。尤其是研究場景，錯一個假設，後面全部都會歪掉。\u003C\u002Fp>\u003Cp>所以現在比較成熟的團隊，會把 agent 當成 junior assistant。權限有限。任務有限。輸出也要能被追溯。這樣才不會變成一團黑箱。\u003C\u002Fp>\u003Cp>另一個背景是工具鏈變完整了。現在有模型、IDE、terminal agent、評測框架、版本控制。這些東西串起來後，研究就比較像工程，而不是純手工藝。\u003C\u002Fp>\u003Ch2>接下來該怎麼做\u003C\u002Fh2>\u003Cp>如果你想試 vibe research，先從一個重複任務開始。不要一開始就想把整個研究部門都 AI 化。那通常只會把複雜度拉高。\u003C\u002Fp>\u003Cp>比較好的做法，是先挑一段最常重做的流程。像是文獻摘要、實驗跑批次、結果整理，或是把 code 改成可測試版本。先量時間，再看錯誤率。\u003C\u002Fp>\u003Cp>我的判斷很直接。真正有用的 vibe research，不是讓 AI 看起來很忙。是讓人更容易驗證結果。你如果能讓 agent 改程式、跑 test、再把結果說清楚，這套流程才算站得住腳。\u003C\u002Fp>\u003Cp>接下來最值得做的事，就是把 review 規則寫死。然後看它能不能真的幫你少掉一半的手動檢查。做得到，就留下。做不到，就別硬上。\u003C\u002Fp>","Vibe research 把 LLM、agent、coding 工具和 review loop 串成流程，讓研究從讀文獻到跑實驗都更可執行。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2036384819442137022",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778904653705-zekc.png","tools","zh","93bb7b5a-144a-4887-8dde-625a400a0432",[17,18,19,20,21,22,23,24,25,26],"vibe research","AI research workflows","LLM","agent","coding tools","review loop","Claude Code","Cursor","Codex","LangChain",[28,29,30],"vibe research 是把 LLM、agent、coding 工具和 review loop 串成研究流程。","真正重要的是 workflow，不是單一模型分數。","最實用的切入點，是先從一個重複任務開始量化時間與錯誤率。",7,"2026-05-16T04:10:33.15767+00:00","2026-05-16T04:10:32.919+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":36,"relatedLang":46,"relatedPosts":50},[37,38,40,42,44],{"name":20,"slug":20},{"name":21,"slug":39},"coding-tools",{"name":19,"slug":41},"llm",{"name":18,"slug":43},"ai-research-workflows",{"name":17,"slug":45},"vibe-research",{"id":15,"slug":47,"title":48,"language":49},"vibe-research-ai-tools-workflows-en","Vibe Research: AI Tools for Faster Research","en",[51,57,63,69,75,81],{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"d3ec03a8-a805-4a21-9826-72a74a72b625","databricks-model-serving-llm-deploy-guide-zh","Databricks Model Serving 讓 LLM 部署變簡單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525998117-7ur8.png","2026-06-03T22:32:51.005996+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"4dd225a8-bf6c-4768-a486-a27956c7033d","opencode-digitalocean-model-freedom-zh","OpenCode+DigitalOcean 讓你切換模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525116428-1q7g.png","2026-06-03T22:18:06.969758+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"4bdcf208-fb80-484e-b4b6-06af035a6df1","modulate-aws-voice-chats-into-signals-zh","Modulate 用 AWS 把語音聊天做成訊號","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780519733892-rxue.png","2026-06-03T20:48:22.697917+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"f44a28d3-2305-43de-b5fa-21217d561054","amazon-rekognition-content-moderation-filter-zh","Amazon Rekognition把審核變成過濾器","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780517005409-bxfc.png","2026-06-03T20:02:57.634353+00:00",{"id":76,"slug":77,"title":78,"cover_image":79,"image_url":79,"created_at":80,"category":13},"80f6f40b-3217-45e4-acff-7b2f6d261779","codex-workspace-limits-tell-you-why-zh","Codex 讓工作區限額錯誤說人話","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780514293711-ltqa.png","2026-06-03T19:17:41.340056+00:00",{"id":82,"slug":83,"title":84,"cover_image":85,"image_url":85,"created_at":86,"category":13},"daa3d568-4bc5-4f29-aa64-225928ace9b4","book-2-turns-sneaker-drop-into-merch-zh","Book 2 把球鞋發售變成周邊系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780513400116-8jeh.png","2026-06-03T19:02:49.03795+00:00",[88,93,98,103,108,113,118,123,128,133],{"id":89,"slug":90,"title":91,"created_at":92},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":134,"slug":135,"title":136,"created_at":137},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]