模型提供通用智能；Agent-native 科研知识基础设施提供一份持续更新、可逐层核验、能记住探索过程的“开卷作业”。
Agent-native 科研知识基础设施，是把文献关系、原文证据、研究状态和 Agent 可调用工具组织在模型之外，供科研 Agent 按需检索、逐层核验并持续维护探索过程的数据与工具系统。
为什么模型更强，这个问题仍然存在
模型参数可以内化通用能力，却无法以同样速度吸收每天变化的论文、数据与研究结论。科研信息的更新周期，天然快于一次大模型训练与发布周期。模型规模扩大，会提高理解和推理能力，却不会自动消除这个结构性的速度差。
更重要的是，现实研究不是一次问答。一个方向往往经历检索、排除、比较、人工校准和多次转向。如果这些过程只留在对话上下文里，窗口会被重复材料迅速占满；一旦换模型、换会话或换成员，已经付出的判断成本也会丢失。
一套科研知识环境，至少包含四层
1. 关系：从相似内容走向研究脉络
论文列表只能告诉 Agent “有哪些内容”。研究脉络还要连接作者、概念、方法、引文、时间与应用场景，说明一项工作从哪里来、修正了什么、又把问题推向哪里。
2. 证据：每项判断能够回到原文
信息按需逐层披露：先看方向，再看关系与摘要，必要时下钻到原文片段。这样既减少无关文本对上下文的占用，也让科研人员能够检查 Agent 的依据。
3. 状态：把探索过程保存在模型之外
检索过什么、排除了什么、人工修正了什么、下一步为何转向，都应该成为可维护的研究状态。它让 Agent 不必反复从零开始，也让团队能够复用已经形成的判断路径。
4. 接口：工具本身要为 Agent 设计
传统数据库和网页主要服务人类浏览。Agent-native 工具则要返回精准、结构化、带来源和状态的结果，并允许模型用较少调用完成一个明确动作。MCP 是当前重要接口之一，但接口协议不是全部，背后的数据组织和边界表达才是核心。
“可信”不是承诺永不出错，而是让边界可见
科研系统不应把“没有检出”写成“不存在”。清智万维在产品中区分图谱证实、图谱未见与图谱盲区：前者有明确证据；第二种只表示当前范围内尚未发现；第三种则说明数据覆盖或检索路径不足。
这种表达不会替代专家判断，却能让不确定性进入工作流，而不是被一句流畅回答掩盖。
人在回路里的位置
Agent 展开检索、比较证据、维护研究状态；科研人员选择方向、检查关键证据，并决定是否开始实验。基础设施的价值不是把人移出回路，而是把人的注意力从重复搜索和上下文整理中释放出来，留给真正需要判断的地方。