标题：上海AI Lab推出科研智能体FlowSearch，让AI成为科研探索伙伴

正文：
上海人工智能实验室发布了一款名为FlowSearch的科研智能体，将复杂科研过程自动化变为现实。在GAIA、HLE、GPQA和TRQA等权威科研基准上，FlowSearch性能全面领先，展示了AI在复杂科研任务中的动态协作与深度推理能力。

科学研究不同于简单解题或信息检索，它需要原创问题提出、实验设计、多源证据整合以及迭代优化。这一过程不仅依赖计算能力，更需要创新思维与动态推理。而FlowSearch通过动态结构化知识流驱动，构建科研任务的多层依赖图，在多智能体框架下实现并行探索、递归整合与自适应优化。相比传统“输入—输出”模式的AI，FlowSearch更像是一个理解研究思路的伙伴，能主动调整计划、引导探索、修正偏差，推动科学发现从被动等待转向主动探索。

FlowSearch由三大核心模块组成：
1. Knowledge Flow Planner：规划研究路线，拆解问题并细化任务；
2. Knowledge Collector：执行任务、收集数据，整理信息；
3. Knowledge Flow Refiner：反思优化流程，确保科研连贯性。

当用户提出研究问题时，Planner构建初步知识流，每个节点代表子问题或关键概念，节点间连接描绘知识依赖关系。随后，多个智能体并行执行任务，Collector填充节点内容，Refiner动态调整流程，使科研路径逐步演化。

FlowSearch采用有向无环图将科研任务可视化，支持多路径并行探索，每步可追踪验证。其递归式知识流规划逐层拆解问题，生成逻辑清晰的任务网络；动态反思机制则根据新信息优化任务顺序，确保全局一致性与灵活性。

实验结果显示，FlowSearch在GAIA、GPQA-diamond、HLE及生物领域专业基准TRQA上均超越现有方法。模块有效性验证表明，动态知识流建模与反思机制对提升推理深度至关重要。此外，微调后的InternPlanner-32B模型在GAIA基准上性能显著提升，证明结构化训练增强规划能力。

FlowSearch不仅适用于复杂跨学科研究与大规模数据分析，还能生成高质量科学调研报告。它的提出标志着科研智能体从“任务执行”迈向“知识驱动推理”，为降低科研门槛、提升效率提供了有力工具。更重要的是，其动态结构化框架为未来可解释科研智能体与自演化科学发现系统奠定了基础，推动AI从工具向真正的科研伙伴演进。

论文链接：https://arxiv.org/abs/2510.08521
GitHub仓库：https://github.com/Alpha-Innovator/InternAgent