文章总结： 本文探讨LLM如何重塑科研范式，提出Human-on-the-Loop新理念，研究者从执行者转为指导者，通过自然语言编程让AIAgent自主迭代实验。重点介绍KarpathyLoop工作流（自然语言指令+代码修改+指标评估），强调需验证结果、保持批判思维、遵循学术规范。建议硕博生先打好基础再使用工具，避免过度依赖导致能力退化。 综合评分： 85 文章分类： AI安全,安全工具,技术标准,安全培训,其他

LLM 下的科研新范式 —— 硕博小白如何拥抱 AI 时代？

原创

i3eg1nner&林00 i3eg1nner&林00

SecureNexusLab

2026年4月17日 09:46 北京

在小说阅读器读本章

去阅读

背景

《LLM 下的计算机硕博扫盲手册》由 SecureNexusLab 多位团队成员共同编写。科研本身包含了太多细节，编写初衷是为计算机领域新入门的硕博提供科研扫盲，并结合大模型在科研领域的应用提供参考。手册按照形成一篇论文的过程作为行文依据，包括：文献调研、论文阅读、论文复现、论文 Idea、实验环境、论文写作与润色、论文绘图、科研协作、论文投稿、「LLM 下的科研新范式」（即本章）。

编写成员来自山东大学、浙江大学、北京邮电大学、西安电子科技大学、江西师范大学，也收到了多位师傅的建议。希望读到手册的各位可以不吝赐教，提出新的建议。

LLM 下的科研新范式

大语言模型正在深刻改变计算机科学的研究方式。

当科研全流程被加速之后，全新的范式也正在浮现——研究者不再亲自执行每一个实验，而是编写研究方向，让 AI Agent 自主迭代，在审查结果后给出方向性指导。

这也意味着科研竞争会更加激烈。Human-on-the-Loop 新范式可能会让科研入门“看起来”更加容易，但建议在拥抱大模型的同时，永远不要让机器去代替思考。

读论文、补充技术知识，这些传统的科研素养训练依旧可以帮助建立属于自己的科研体系。

如果一切由大模型代劳，尤其是对于科研新手，即使取得不错的实验结果，真正属于自身的能力提升却很有限。

这也是为什么最近“AI 养知识库”流行起来——在深度 vibe coding 的同时，研究者也开始焦虑核心竞争力和知识体系。

工具只是工具，研究者的未来仍需靠自身发挥主观能动性。

LLM 发展很快，对科研的影响日益加深，已渗透进工作和生活的每个环节。正因如此，本章的内容或许在几个月后已经过时，因此这里不会介绍太多具体的工具使用和操作，建议自主探索最新的大模型和编程工具。

以下内容更多围绕 「Human-on-the-Loop」 新范式展开。

从 autoresearch 说起

2025 年 3 月，Andrej Karpathy 发布了 autoresearch（GitHub 70k+ stars），这个仅约 630 行代码的项目收获了极大关注，star数飙升。核心思想极其简洁：

❝

Agent 修改 train.py → 训练 5 分钟 → 检查验证集指标是否提升 → 保留或回退 → 循环迭代

❞

以每小时约 12 次实验的节奏，Karpathy 让 Agent 通宵自主运行，2 天内完成了约 700 次实验，发现了 20 个有效优化，将训练速度提升了 11%。Shopify CEO Tobias Lütke 随即将同样的方法应用到公司的模板引擎上，通过 37 次自动实验和 93 次自动提交，渲染性能提升了 53%。

这个工作流后来被分析师 Janakiram MSV 总结为 「“Karpathy Loop”」，核心三要素：

1. Agent 能够访问和修改的代码文件
2. 单一的、可客观测量的优化指标
3. 每次实验的固定时间预算

autoresearch 真正的洞察不在于自动化本身，而在于重新定义了研究者的角色。项目的文件结构只有三个核心组件：

• program.md：研究者用自然语言编写的实验指令——定义研究目标、约束条件、评估标准
• train.py：Agent 唯一可以修改的文件——模型定义和训练逻辑
• prepare.py：数据准备（不可修改的基础设施）

研究者不再手动编写训练代码，而是「用自然语言编程实验过程」。链路：人类写自然语言描述 → LLM 翻译为 Python 修改 → Python 训练神经网络。Karpathy 的原话：“All LLM frontier labs will do this. It’s the final boss battle.”

Human-on-the-Loop

autoresearch 所体现的本质是 「Human-on-the-Loop」 的科研新范式——区别于传统的 Human-in-the-Loop（每一步需人类审批），Human-on-the-Loop 模式下 Agent 在一定范围内自主运行，人类在关键节点介入和重定向。

需要警惕的问题：

• 「验证结果」：Agent 生成的代码可能有微妙的 bug，每一个关键结果必须由人类验证。
• 「理解实验」：不要让 Agent 变成黑盒。即使实验是 Agent 跑的，也必须完全理解实验设计和代码逻辑——审稿人关心的是对问题的理解深度。
• 「记录可复现信息」：记录 Agent 使用的 prompt、代码版本、运行环境，确保可复现性。
• 「学术诚信」：遵循目标会议/期刊对 LLM 使用的政策，对论文内容承担全部责任并披露 LLM 使用情况。

LLM 辅助科研工具箱

以下工具可了解：

「📚 文献发现与综合」：Elicit、Semantic Scholar、Consensus、Research Rabbit

「💡 Idea 生成与评估」：LLM 可作为 brainstorming 伙伴。有效做法是在充分了解领域的基础上进行结构化探索（描述现有方法局限，让 LLM 提出改进方向）。目前不要妄想直接让 LLM “给我一个能发顶会的 idea”。读论文、做 Demo 实验验证这些老套路依然是必需的，LLM 的科研素养不等于自己的科研素养。

「⚙️ 科研编程与调试」：GitHub Copilot、Cursor、Claude Code 等工具可加速代码编写、辅助调试和理解代码。目前第一梯队是 Claude Code 搭配 Claude Opus 模型，其次是量大管饱的 Codex、GLM。Claude Code 本身只是工具，可接入任意模型；也可尝试开源 OpenCode 工具，接入各家厂商会更方便。

给硕博生的建议

1. 「工具是手段，不是目的。」 论文的核心竞争力来自对问题的理解和方法的创新，而非工具的使用。
2. 「先打好基础，再善用工具。」 在科研初期先通过传统方式建立基本功，具备独立判断能力后才能有效利用 LLM 并识别其错误。
3. 「保持批判性思维。」 LLM 可能编造引用、生成错误代码、给出过于乐观的分析，时刻保持验证的习惯。
4. 「关注领域政策变化。」 各大会议和期刊对 LLM 使用的政策仍在快速演变，投稿前务必查阅最新要求。

参考链接

• autoresearch（Andrej Karpathy, 2025, 70k+ stars）
• Introducing Deep Research（OpenAI）
• ‘The Karpathy Loop’: 700 experiments, 2 days, and a glimpse of where AI is heading（Fortune）

总结

• 「LLM 正在重塑科研全流程」：从文献检索、代码调试到实验设计，效率大幅提升，但研究者角色正从“执行者”转向“指导者”。
• 「Karpathy Loop 是 Human-on-the-Loop 的典型实践」：研究者用自然语言定义目标，Agent 自主迭代实验，人类负责审查与重定向。
• 「核心风险不可忽视」：验证不足、理解缺失、学术诚信、能力退化——每一项都需要主动防范。
• 「工具是手段，不是目的」：科研的本质仍是对问题的深刻理解和方法的创新。先建立扎实的基本功，再善用 LLM 加速，方能避免“用工具替代思考”的陷阱。
• 「未来已来，但研究者仍需保持主动」：拥抱变化的同时，持续读论文、做实验、写笔记，才能建立不可替代的核心竞争力。
• 原文地址 https://github.com/SecureNexusLab/Research4CSBeginners

如果本文对你有帮助，欢迎 「点赞、在看、分享」 给需要的朋友。

❞

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：SecureNexusLab i3eg1nner&林00 i3eg1nner&林00《LLM 下的科研新范式 —— 硕博小白如何拥抱 AI 时代？》