Notes · 思考
思考
这里更多记录一些研究和做产品过程中逐渐形成的判断。可能是一篇论文留下的问题、一次失败实验、一个关于 Agent 的想法，也可能是一个还没想清楚但觉得值得继续做下去的产品 idea。
好问题通常比一个漂亮 benchmark 更值得保存
研究重点不仅是「更低 MAE」，也包括理解哪些低成本物理信息能够稳定贡献增益——哪些 cheap feature 有效、哪些模型路线不值得继续。
把负结果也当作研究信息
避免只保留成功实验。哪类路线失败、为什么失败，同样决定下一轮最值得补的数据与实验。
Agent 的价值在长任务、工具调用与真实工作流
AI 对我真正有吸引力的地方，是它逐渐开始参与复杂问题本身。过去很多 AI 工作集中在预测一个数字，现在我更关心 AI 能否阅读资料、调用专业工具、运行计算、检查结果、保留上下文，并参与一个持续几个月甚至几年的科研过程。
科研效率最终依赖可靠的数据、工具、计算和验证
先冻结评估协议，再开始模型比较；关注 OOD、错误分布、阈值与拒绝/延迟决策，避免只报告单一平均指标。
很多好项目最初都很小，先做出来，再决定它应该长成什么
一个模型跑出来之后，我通常还会继续往后问：数据能不能更规范，实验能不能复现，结果能不能进入一个真正的工作流，最后能不能变成别人也可以使用的平台。
判断一个 AI 项目是否值得继续
重点看真实任务是否被缩短、结果是否可检查、用户是否愿意持续使用，而不是只看功能数量。
Agent 用于验证优先的工作流
把 Agent 用在任务拆解、文献梳理、实验流程组织与结果检查上，而不是把未经验证的生成内容直接当作科学结论；对模型、代码和数据操作保留可审计记录。
这里会写到什么
AI for Science · 研究思考
Agent、Skill 与科研自动化 · 技术实践
AI 产品开发过程 · 项目复盘
Workshop · 跨学科交流
长期目标
把「研究问题 - 科学计算 - 机器学习 - Agent - 平台 - 真实验证」逐步连接成自己的长期工作方式。科研结果可以进入工具，工具的真实使用也反过来帮助发现新的研究问题。
想交流这些问题？
一篇论文留下的问题、一个还没想清楚的 idea——都可以成为起点。