Claude Code Harness+龍蝦科研團來了！金字塔分層架構+多智能體

Claw AI Lab團隊
量子位 | 公眾號 QbitAI

你還在一個人做科研嗎？

科研最難的，從來不是問題本身，而是一個想法從文獻到實驗再到寫作，只能靠自己一點點往前推。

一個人方向偏了沒人提醒，遇到歧義沒人討論，結果不對只能反復試錯。所謂的“自動科研”，很多也只是把這一切封裝成一條無人參與的流水線——人被拿掉了，但問題沒有變。

但真正高效的科研，從來不是流水線。它更像一個實驗室：不同角色同時推進，不同路徑并行展開，發(fā)現(xiàn)被共享，錯誤被更早暴露，方向在不斷討論中收斂。人始終在關鍵位置，做判斷、給方向、改路徑。

△clawailab.ai

由Liu Fayao（劉發(fā)耀，新加坡A*STAR研究科學家），Ye Deheng（葉德珩，前騰訊AI合伙人&首席專家）和Chen Tianrun（陳天潤，魔芯科技創(chuàng)始人）帶領的研究團隊提出了Claw AI Lab。

Claw AI Lab想做的，就是把這種協(xié)同方式變成一個可以運行的系統(tǒng)。你定義方向，多個agent協(xié)同推進，多個項目并行展開，過程持續(xù)演化；你可以隨時介入、修正、回滾，讓研究形成真正的閉環(huán)。

你不再是一個人做科研。

你是在帶一個實驗室，讓研究自己運轉起來。

金字塔式分層架構管理+用戶友好UI

Claw AI Lab采用金字塔式分層架構，將科研流程拆解為從研究方向設定、方法設計與實驗規(guī)劃，到代碼實現(xiàn)與結果分析的多層級體系，形成自上而下逐級細化的科研閉環(huán)。

每一層由專屬Agent負責，通過任務隊列與上下文緊密連接，使系統(tǒng)既具備全局規(guī)劃能力，又能高效執(zhí)行細節(jié)任務。同時，上層決策可根據(jù)下層實驗結果動態(tài)調整，實現(xiàn)持續(xù)迭代與閉環(huán)優(yōu)化。

△Claw AI Lab的操作界面

系統(tǒng)提供可視化操作界面，用戶可以像PI一樣定義研究課題、拆解任務，并實時查看各個Agent的執(zhí)行狀態(tài)與中間結果。復雜的科研流程被抽象為直觀的操作與進度面板，大幅降低使用門檻。

同時支持三種模式

Lab討論模式：多方向并行調研，跨方向討論達成共識，生成統(tǒng)一假設。

Lab獨立研究模式：多方向并行調研，各方向共享知識庫獨立生成假設，速度更快但無跨方向共識。

論文復現(xiàn)模式：單Agent全流程復現(xiàn)目標論文的方法與實驗。

Claude Code Harness

如果說傳統(tǒng)AI編程助手解決的是“寫一段代碼”，那么Claw Code Harness解決的是“把一個研究想法真正落成可運行實驗”。

在Claw AI Lab里，模型不再一次性吐出代碼片段，而是像工程師一樣進入Turn Loop：先讀取本地代碼庫、數(shù)據(jù)集和模型檢查點，再迭代完成“理解任務、編寫main.py、運行測試、定位報錯、繼續(xù)修復”的閉環(huán)。

△實驗代碼生成流程

更關鍵的是，系統(tǒng)會在運行環(huán)境中注入一個不可編輯的Experiment Harness，統(tǒng)一負責時間預算控制、指標上報、異常值校驗，以及最終生成標準化的results.json。這意味著Claw不只是“會寫代碼”，而是在建立一條從想法到實驗結果的可信執(zhí)行鏈路，讓AI生成的不是demo，而是真正能落地、能復現(xiàn)、能被繼續(xù)優(yōu)化的研究代碼。

從“單一”智能體到“群體”智能

科研從來不是單打獨斗的過程。真正重要的突破，往往誕生于反復的討論、質疑與修正之中——一個想法被提出、被推翻、被重構，在多輪批判與協(xié)作中逐漸逼近正確答案。

想象以下場景：你創(chuàng)建了一個具身智能實驗室，你是PI并且你有三名研究員，他們的方向分別是VLM、VLA和World Model。你希望研究一下具身智能里面最新的video action model最能落地的方向。

討論前：

World Model研究員

主張worldmodel+邊預測邊做決策，認為可控性、安全性和在線重規(guī)劃才是工業(yè)部署的關鍵；

VLA研究員

主張train with video, infer with action，認為訓練時使用視頻監(jiān)督、執(zhí)行時直接輸出動作，才兼顧效率與閉環(huán)穩(wěn)定；

VLM研究員

認為短期最容易落地的不是直接控制，而是任務理解、執(zhí)行監(jiān)控、異常預警和自動化，因為這些模塊更容易進入真實系統(tǒng)。

在Claw AI Lab里，討論并結合各家優(yōu)缺點，收斂出更強的idea得出一套更優(yōu)、更可部署的方案，如下：

• 訓練階段，用視頻監(jiān)督學習更強的動態(tài)表征；
• 執(zhí)行階段，保留直接動作輸出，確保低時延閉環(huán)控制；
• 系統(tǒng)上層，引入planning / safety layer做重規(guī)劃和約束篩選；
• 執(zhí)行旁路，增加步驟理解、異常監(jiān)控、anticipation和可解釋推理，用于糾錯、恢復和長期運維。

除此之外，在Claw AI Lab內(nèi)，討論不會只給一個“看起來合理”的答案，它還會把爭議背后的原因挖掘出來。

爭議一：人類視頻到底該不該直接遷移到機器人動作？

共識：它的近中期最大價值在于預訓練和中間表示，而不是直接替代低層動作監(jiān)督。

爭議二：為什么World Model和VLA有截然不同的主張？

共識：前者代表系統(tǒng)可控性與安全性，后者代表低時延執(zhí)行效率，真正更穩(wěn)健的路線不是二選一，而是把兩者放進同一個分層閉環(huán)里。

所以，Claw AI Lab不只是“讓多個agent一起說話”。它更像一次真正的組會，分歧被展開，假設被暴露，證據(jù)被對齊，路線被重組，最后產(chǎn)出更強的共識、更清晰的優(yōu)先級，以及下一步真正值得驗證的研究方向。

科研不再只是生成一個結果，而是一個由群體智能驅動、不斷收斂和演化的過程。

Lab模式的項目結果示例

項目簡介：這個項目旨在對大模型中的hallucination進行系統(tǒng)化量化，不僅判斷結果是否出錯，還深入到推理過程，識別錯誤是如何產(chǎn)生、如何傳播的。其難點在于缺乏統(tǒng)一標準答案、錯誤往往具備“表面合理性”，且在多步推理中會被不斷放大。為此，項目通過結構化拆解模型輸出流程，引入多維度一致性與過程級分析，實現(xiàn)對hallucination的細粒度度量與定位，從而將這一長期依賴經(jīng)驗判斷的問題，轉化為可分析、可優(yōu)化的工程問題。

論文復現(xiàn)模式的項目結果示例

項目簡介：這個項目旨在在真實工程環(huán)境中復現(xiàn)PhyCustom在FLUX模型上的效果，不只是復現(xiàn)論文結果，更驗證“物理屬性可控生成”能否在復雜系統(tǒng)中穩(wěn)定落地。其難點在于，物理屬性難以被生成模型準確表達，同時復現(xiàn)過程對數(shù)據(jù)、訓練細節(jié)和實現(xiàn)路徑高度敏感，稍有偏差就可能導致結果失真甚至失效。為此，項目通過將方法嵌入完整的實驗執(zhí)行鏈路，對關鍵步驟進行約束與追蹤，使每一次訓練與生成都有可依賴的上下文與反饋，從而讓復現(xiàn)過程從“不可控的試錯”，轉變?yōu)椤翱勺粉櫟南到y(tǒng)性驗證”。

代碼鏈接：
https://github.com/Claw-AI-Lab/Claw-AI-Lab
項目主頁：
https://clawailab.ai/