全球首个「通用科研智能体」SciMaster。
暂无相关博客
单纯对于深度研究来讲，过程很炫丽，但是生成的报告质量比较普通，而且排版没做好。
想法是好的，但前面还有挺长的一段路要走。
从信息搜索上，还有consensus/perplexity需要作为竞品进行对比。
从报告整理上，考虑到各家写报告的agent都很一般，只能说需要调优prompt了。
对于作为“SCImaster”来讲，我觉得这点功能起这个master的名字语气还是有点大了。
通用助手这边可以看到有几个工具，但无非就是搜索和整合。
缺少几个我认为作为一个“master”应该有的能力：1. 针对某些内容进行独立询问而不污染context 2.对于论文和知识之间的网状、树状引用进行一个mindmap，不要局限在具体的问题和具体的场景，而是能提供一个不说全景，但至少是high level的概览。
结论：对于学术研究和工作问题，可供生成大框架和概览，仍然需要人工核对其准确性（尤其对于技术密集型行业）并且进一步深入问题需要人为增加准确的提示语，本产品的AI对问题的深度思考有限（比如对于疾病治疗方法方面，仅仅将治疗指南的文字归纳总结而已，没有治疗方法优劣的延伸评价，除非使用者加入关键词），对于已经提供的结果（比如关于模型测算方面的问题）没有深入呈现计算过程、代码、应用，本产品本质还是文字方面的检索总结。
一.打开页面直观感受：界面简单清爽，延续当前AI产品（AI检索类产品）一贯的左边导航＋历史记录栏，中间生成内容，右边弹出过程
二.测试使用了两个问题：
1.“请告诉我ARDS的治疗现状及在研药物进展，有关治疗方法、药物类型、临床试验结果或市场前景”（学术问题）
使用模式：深度调研
生成结果：可供下载的pdf论文，标题AI自拟（《2025年急性呼吸窘迫综合征（ARDS）治疗现状及在研药物进展：临床策略、试验突破与市场前景》），论文结构根据本人提问生成，带有完整引用list和对应网址
生成速度：15分钟左右
生成字数：22页，其中只有7页是实际调研内容
2.“我想了解：药物制造企业的销售效率部门在做销售人员奖金测算时需要用到哪些模型、这些模型具体是什么作用”（常规工作问题）
使用模式：通用助手
生成结果：无文件，文字表述，和Deepseek类似
生成速度：1分钟内
生成字数：未计算，纵观不算多
三.通过两个问题初步总结出优缺点：
优点：
1.论文数据库相对完整，但是对于一些商业信息或者在企业官网的信息，没有检索到位；这可能还是取决于产品的定位，学术论文检索归纳生成方面的作用。
2.生成文件结构完整
缺点：
1.AI的延伸思考不够，需要辅助其他AI来完成调研或者知识学习
2.AI的代码能力和计算能力不好（取决于产品定位，但是如果是计算机领域的分析、概括无法避免计算和代码的呈现）
首先是我所做的是食品类的产品经理，那么对于食材科学其实是没有经验，那么对于想开发一些食材碰撞的食品就很艰难，灵机一动既然是科学ai是否可以从食品科学来呢，浅浅尝试了一下，心里觉得靠谱且有未来。那么对于后面我去研究食材科学提供了一个强大的支持和帮助。我觉得特别棒，希望从科学层面可以从严谨的角度出发。加油加油
深度研究太慢了，等了很久都没有结果。不确定是不是网络问题，试了2次都这样。sad。
稳定性有点差，连续两次都是渲染失败
报告生成的质量总体来说还可以，广度还算不错，而且引用的文献质量和准确性较高，但是现在跑任务的时间太久了，差不多需要半个小时，而且过程的展示感觉可以再优化一下，现在研究过程中的输出感觉是直接把工具过程执行的代码输出，易读性不太好
超级棒！！！已经平替了gemini和gpt的deepresearch了
直接上图，不知道是我使用方法不对还是什么，用了日常的对话和deepresearch功能，出来的结果幻觉非常的高，根本无法使用，可以说是牛头不对马嘴，波尔在AI4S业内的名声如雷贯耳，希望产品越来越好
东西不错，就是时间有点长，数学公式不太好复制
大家好，我是深势科技的创始人&CEO孙伟杰，感谢对SciMaster的关注。SciMaster致力于借助AI agent打造“你身边的科学家朋友”，不论是严肃认真的科研工作，还是深入浅出的科普讲解，亦或是技术与产业视角兼具的行业研究，只要是需要科学和学术知识的场景，相信SciMaster都可以帮助到你，就像你找周围的同学、老师和专家咨询和请教一样。
为了提升SciMaster的科学性和准确性，最大程度保证回答和报告的质量，我们的开发团队在科学语料库的索引，科学概念的准确理解，科学工具的调用，以及信息的多轮校验方面做了很多额外的设计，使得SciMaster的通用助手和深度调研报告水平真的符合你对“Master”的期望。
当然，作为一款刚刚上线一星期的新产品，我们也深知它也还有很多不够完善之处，敬请你多多包涵的同时，也欢迎你多提建议和批评，“对批评的声音心怀感激”是公司团队一直以来的文化，也相信这些有理有据的建议和批评将成为我们下一步的迭代方向和进步动力。
写论文的时候，找不到国外文献，就在降临派的群里问降临派们。
SciMaster的推荐最多，马上测评。
之前使用过玻尔，但是由于我不是典型的学术专家，我只是一个民间学术头子，我的学术论文学术理论研究等等，仅仅局限在我及我身边的圈子里，所以，作为一个计算机科学家，我必然要有与众不同，在我身边的圈子里鹤立鸡群。所以，很多民间用的学术内容，我都是在玻尔里看。
有了这个基础，那就很好理解SciMaster了。
用自然语言理解我的需求，并将我的需求进行整理，并罗列出他的to do list，然后再开始干活。全程无需手动操作，一气呵成。
当然了，英文呢，我会一点，就仅仅是那么一点而已，所以我看不懂他给我的英文。
不过，最终给我的pdf，还供我下载，这个可太香了。
可能由于我的提示词不够清晰和明确，所以题目是有了，但是范围比较大。总体来说，够用，绝对够用。
首先，点个赞，感觉这个产品是值得期待的，但就目前的体验来看，它更像一个自动化综述报告生成器的Agent。
值得肯定的地方：
它会先制定一个详细的研究计划，然后分步骤执行。这个过程的可视化做得很好，让用户清楚地知道AI在做什么、进度如何，这在目前大部分“黑箱式”AI工具中是一大亮点，能有效提升用户信任感。
最终产出的PDF报告质量挺不错的。形成了一篇结构完整、逻辑清晰的微型综述。
它具备不错的摘要和信息对比能力，确实对信息进行了二次加工和整合。
报告包含了文内引用 和格式化的参考文献列表 ，同时对于研究问题，调用的都是有效的数据库，这对于科研写作来说是刚需，避免学术幻觉。
从一个研究主题出发，能够自动完成信息搜集、整理、分析和报告撰写，整个流程一气呵成。对于需要快速了解一个新领域的初级研究者或学生来说，工具挺好用的。
我觉得现在差点的地方：
中规中矩，缺乏深度交互与探索感。结果报告虽然好，但它是一个静态的的产物。我无法对其中的某个论点进行追问，无法深入探究某一篇参考文献的具体细节，也无法引导它调整研究的侧重点。总感觉差点东西。
期待未来的版本中，Agent的规划能力能更加开放和可定制。用户可以和AI一起“头脑风暴”研究计划，在中途调整或增加步骤，让AI成为一个可以对话、可以协作的科研伙伴，而不是一个只能执行固定流程的工具人。
回答的速度很快，我在测试时多轮对话遇到了思考过程中出现幻觉。对于上下文的要求比较高。
体验最难受的是，跑一个报告，它花了整整27分钟.我不知道是因为我的网络还是啥，但是确实有点久了。
最后我觉得pdf生成的排版可以再优化一下。
祝好！期待下一个版本！
SciMaster 给我最大的惊喜，就是它的深度调研和报告生成能力。
只需要提出一个科研问题，它就能帮我检索全网和全量文献，把相关研究、数据、专利都整合成一份逻辑清晰、引用完整的调研报告，内容质量不输博士生水准。
对于需要快速摸清领域现状、准备综述或开题报告的人来说，真的节省了大量时间和精力。
优点：
研究全流程支撑
它不只是一个工具，而是「从文献检索、数据分析到实验执行」一站式科研助理
支持思维链编辑
用户可以随时“按暂停”，调整任务逻辑，实时控制 AI 的思考路径——科学研究不再是被动跟随
多模态检索能力强
能同时调用 WebSearch、WebParse 和 PaperSearch，一次性覆盖网络＋170 M 科研文献，输出结构化报告
工具深度整合
支持主动或自动调用科学计算工具，还能连通实验室设备（靠 MCP 服务），把“干”与“写”整合在一起
开放生态驱动创新
基于大模型 Innovator，SciMaster 接入 DeepModeling 社区，支持开发 ChemMaster 等子智能体，形成不断增长的科研工具库
缺点 / 局限：
仍在封闭测试阶段
目前是内部测试，想用得先要申请邀请码，普及性有限
依赖实验室资源连接
实验自动化功能需要绑定实验室设备，未必适合个人研究者或资源受限的团队
大规模使用风险未知
文档没提到多少用户反馈，性能、稳定性、报告准确度在真实科研中的表现还要继续观察。
首先po一下我和我朋友的邀请码，需要的可以自取：
? 邀请你体验SciMaster——你身边的AI科学家朋友，助你高效完成学术探索与深度研究！注册链接： https://j1q.cn/mA1gntcE 激活账号请使用你的专属邀请码 EM30UN2EOA
? 邀请你体验SciMaster——你身边的AI科学家朋友，助你高效完成学术探索与深度研究！注册链接： https://j1q.cn/D3Tzix71 激活账号请使用你的专属邀请码 2RTS1DX4DL
Aminer之后最能打的科研agent（bushi），当然技术上也还有很多不足，瑕不掩瑜，好评鼓励。
产品背景是深势那个玻尔Science Navigator科研平台，基于此他们这阵子新发了写科研深度研究的SciMaster。
个人实测下来，会比较精准在科研这块，但是实测下来在AI细分应用技术对比（比如data agent、DiT、AI生3D、VLA等的技术对比研究）方面和Gemini的深度研究没有什么大的差别，为什么呢，因为这些很多都不是写在论文里的。相比之下，泛理化方面的前沿技术mapping就会好一些。
一个来自维特根斯坦的建议是，对于自己不擅长的，要保持缄默，这一点希望可以改进，不懂的说不懂就好了不要硬扯，别的都是比较好的，然后一定不要学Gemini深度研究老搞些很夸张的修辞手法。最后就是生成的内容篇幅相对短一点，希望可以更深入。
有些插件可以选择，对于做专业这些方面科研的应该是比较有用的。
我目前主要是搜索文献方面用的多一点，基本上非常有用，它还能做更多的事情呢，我还在尝试，但我认为值得GOOD
测试了2个问题：
第1个问题与当下产业发展有关，由于所讨论的问题较新，产业自身没有形成完整的体系，也无完整的学术体系。换了三种不同的提问方式，得到的结果差异比较大，每个报告中对内容的分类都还不够准确，且由于搜索的是学术内容，学术论文本身研究的问题就很细分，这些“点”状的研究未能在报告中形成结构清晰的系统（这个与问题本身有关）。
第2个问题是比较成熟的古老的研究话题。回答非常完整。——这个类型的问题可能是目前SciMaster产品比较优势的领域。