Consensus 的 Scholar Agent 是怎么工作的？

Scholar Agent 是一个基于 GPT-5 和 Responses API 的多智能体系统，包含规划、搜索、阅读、分析四个智能体。规划智能体分解问题，搜索智能体检索论文索引、私有文献库和引用图谱，阅读智能体解读论文，分析智能体综合结果并生成输出。每个智能体职责狭窄，确保推理精确并减少幻觉。

Consensus 能帮科研人员节省多少时间？

Consensus 能将过去需要数周的研究过程缩短至几分钟。其 Scholar Agent 模拟真实研究者工作流，自动完成从提出问题到得出结论的全过程，让研究人员不必将大量时间耗费在搜索、阅读和解读文献上，从而更专注于真正的发现与创造。

Consensus 如何保证回答的可靠性？

Consensus 通过“上下文工程”在生成答案前构建正确的证据基础，每个答案都附带可追溯至原始研究的“研究上下文包”。系统将工作流划分给多个职责狭窄的智能体，减少错误并增强自律。若没有相关研究达到质量标准，助手会明确告知用户“不回答”。

Consensus 覆盖多少篇论文？用户量多大？

Consensus 索引了超过2.2亿篇同行评审文献，已服务超过800万用户。其核心能力是搜索、阅读并综合这些文献的信息，帮助科学家从海量论文中高效发现、解读并关联关键信息，突破信息过载困境。

AI人工智能

Consensus 借助 GPT-5 与 Responses API 加速科研进程：数周研究缩短至几分钟

bingdada

八月 2, 2026244 次阅读约 7 分钟阅读

快速回答

Consensus 是一款服务超800万用户的科研助手，其最新多智能体系统 Scholar Agent 基于 GPT-5 和 Responses API 构建，能模拟真实研究者工作流，在几分钟内完成过去需数周的研究过程。该系统通过规划、搜索、阅读、分析四个职责狭窄的智能体协同工作，减少错误与幻觉，并采用“上下文工程”为每个答案构建可追溯的“研究上下文包”，确保结论基于超过2.2亿篇同行评审文献的真实证据。

核心要点

引言：科研的“信息过载”困境与AI破局
从搜索引擎到智能体助手
基于 Responses API 的构建
面向个人的消费级产品策略
与科学同步扩展

引言：科研的“信息过载”困境与AI破局

每年，全球有数百万篇新的科学论文发表——远超任何个人能够阅读的极限。对于科学家而言，挑战并非知识的匮乏，而是如何从海量文献中高效地发现、解读并关联关键信息。突破性进展往往诞生于已知领域的边缘，然而研究人员却将大量时间耗费在寻找这些“边缘”上，而非主动拓展它们。如今，OpenAI News 报道了一项突破性进展。一款名为 Consensus 的科研助手，正在改变这一现状。该平台由 Christian Salem 与 Eric Olson 联合创立，已服务超过800万用户。其核心能力在于搜索、阅读并综合来自超过2.2亿篇同行评审文献的信息。其最新功能“Scholar Agent”，是一个基于 GPT-5 和 Responses API 构建的多智能体系统，能够模拟真实研究者的工作流程，帮助用户在几分钟内完成从提出问题到得出结论的全过程，而这一过程过去需要数周。 Consensus 的使命不止于“更快的研究”，而是“更快的发现路径”。正如 Salem 所言：“科学的进步依赖于其可及性。我们的职责是赋予全球研究者发现、信任并依据证据行动的能力。”

从搜索引擎到智能体助手

Consensus 的第一个版本类似于一个垂直搜索引擎，专门用于科学文献检索：它索引学术论文，返回相关结果，并生成基于引文的摘要。但 Salem 很快意识到，仅凭搜索远远不够。“研究不仅仅是找到论文，”他解释道，“它涉及解释结果、比较发现、连接思想。科学家花在搜索、阅读和解读过往知识上的时间越多，他们用于真正发现和创造的时间就越少。” 为此，团队围绕一个全新的概念重新架构了 Consensus：一个名为“Scholar Agent”的多智能体系统。该系统基于 GPT-5 和 Responses API 构建，运行着一个协调有序的智能体工作流：

规划智能体：分解用户问题，并决定下一步行动。
搜索智能体：检索 Consensus 的论文索引、用户的私有文献库以及引用图谱。
阅读智能体：逐篇或批量解读论文。
分析智能体：综合结果，确定结构与可视化方式，并生成最终输出。每个智能体的职责范围狭窄，这确保了推理的精确性，并最大程度减少了幻觉。此外，该架构赋予 Consensus 在必要时“不回答”的能力——如果没有相关研究达到其质量标准，助手会明确告知用户。 “通过在工作流中划分智能体，我们减少了错误，并使系统更加自律，”Salem 表示，“没有一个智能体承担过多责任，这对可靠性至关重要。” 这种方法被团队称为“上下文工程”：在生成答案之前，先构建正确的证据基础。每个答案都附带一个“研究上下文包”——一个结构化的论文、元数据和关键发现集合，均可追溯至原始研究。“我们不想让研究人员浪费时间反复核实每一个论断，”Salem 强调，“如果系统无法基于真实证据给出答案，它就不会凭空捏造。”

基于 Responses API

的构建 Consensus 从 Chat Completions 迁移至 Responses API，以支持其多智能体路由。这一转变同时提升了可靠性与成本效率，使团队能够更精细地控制子智能体的调用。结合 GPT-5 的长上下文推理能力和可靠的工具调用能力，这一选择显得顺理成章。早期评估证实了这一决策：GPT-5 在工具调用准确性和规划稳定性上，均优于 GPT-4.1、Sonnet 4 和 Gemini 2.5 Pro。这使得 Consensus 团队得以将精力从“提示工程”中解放出来，转而专注于构建直接映射研究流程的智能体行为。

面向个人的消费级产品策略

从一开始，Consensus 就采取了与行业预期截然不同的市场策略。它并未通过机构渠道销售，而是直接面向研究活动的主体——学生、教职员工和临床医生——他们需要即刻获得答案。这种“直接面向研究者”的策略，塑造了产品的设计理念与快速增长轨迹。 “所有人都说在学术界走直接面向消费者的路行不通，但 AI 改变了这一点，”Salem 指出，“人们不再等待批准——他们直接使用有效的工具。” 这一决策决定了产品调性与增长曲线。Consensus 更像一个现代消费应用，而非传统的学术工具：快速上手、直观设计、对话式界面。其采纳过程通过口口相传，迅速扩散至各个校园和实验室。研究生和博士生成为首批重度用户，随后是教职人员和私营部门研究者。接着，临床医生也开始使用 Consensus 来获取各自领域的最新证据。“我们最初并非为医生设计，”Salem 坦言，“但他们与研究者有相同的需求：快速获取可靠证据。” 该公司近期与梅奥诊所的医学图书馆签约，并推出了“医疗模式”，这是一个专为搜索临床证据的从业者设计的新功能。

与科学同步扩展

在过去一年中，Consensus 实现了快速增长：全球用户数超过800万，收入增长8倍。然而，增长并未改变产品的核心优先级。每一个新功能仍然围绕可验证、低幻觉的答案展开。团队在评估流程上投入了大量资源，以测试跨智能体的准确性、引文可追溯性和风格一致性。 Consensus 的架构设计具有高度的模块化特性，旨在随着模型能力的扩展和提升，动态插入新的智能体——例如，未来可能加入用于复现实验、生成图表或执行统计分析的新智能体。 “我们正在为快速变化的世界构建研究者真正需要的助手，”Salem 总结道，“模型在持续进步，系统也随之成长，而科学前进的步伐将因此加快。”

结语：AI

驱动的科研新范式 Consensus 的案例生动展示了 AI 如何重塑科研基础设施。通过将 GPT-5 的先进推理能力与精心设计的智能体架构相结合，它成功地将研究者从繁重的文献处理工作中解放出来，使他们能够专注于真正的创造性工作。这不仅是效率的提升，更是科研范式的转变——从“人找知识”到“知识找人”，从“被动阅读”到“主动综合”。对于全球科研共同体而言，这无疑是一个令人振奋的信号：在 AI 的助力下，科学发现的步伐将大大加快。而 Consensus 的成功，也为我们指明了 AI 应用落地的一个关键方向：不仅要提供强大的模型，更要围绕真实工作流，设计出真正理解并服务于人的智能系统。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。 编辑团队：内容策划 · 技术编辑 · AI 研究组网站：bingdada.com © 2026 Bingdada. 保留所有权利。