Vibe Researching as Wolf Coming: Can AI Agents with Skills Replace or Augment Social Scientists?

本文提出“氛围研究”（vibe researching）概念，通过构建认知任务框架界定 AI 智能体在社会科学研究中的能力边界，论证其虽能大幅加速研究流程并辅助方法实施，但在理论原创性与隐性知识方面仍无法替代人类学者，进而警示了该变革带来的职业分层风险与教学危机。

要点

这篇文章就像是一位社会学家在 2026 年发出的“狼来了”警报，但这次，狼真的来了，而且它长得非常聪明，甚至能帮你写论文。

作者张永军（Yongjun Zhang）提出，人工智能（AI）已经不再是那个只会陪你聊天的“聊天机器人”了，它进化成了AI 智能体（AI Agents）。这些智能体不仅能回答问题，还能像一位不知疲倦的超级助手一样，自己读文件、跑代码、查数据库、写论文，甚至模拟审稿人。

为了让你更容易理解，我们可以用几个生动的比喻来拆解这篇论文的核心观点：

1. 什么是“氛围研究”（Vibe Researching）？

以前，我们写代码叫“写代码”，现在有一种叫“氛围编程”（Vibe Coding），就是你告诉 AI 想要什么，它帮你写，你甚至不看代码细节就直接用。
现在，学术界出现了**“氛围研究”**。

• 比喻：以前做研究像自己种菜，从翻土、播种到浇水，亲力亲为。
• 现在：做研究变成了点外卖。你告诉 AI 助手：“我想研究城市里的孤独感，要发在顶级期刊上。”AI 就会自动去查资料、设计问卷、分析数据、写出论文，甚至模拟审稿人给你提意见。你只需要最后点头说“这就行了”。

2. 这个"AI 助手”到底有多强？

作者介绍了一个叫 Scholar-skill 的插件，它就像是一个拥有 26 种超能力的“全能管家”。

• 它能帮你把模糊的想法变成具体的研究问题。
• 它能在一秒钟内读完你电脑里几千篇论文，并总结出核心观点。
• 它能自动写代码跑统计模型，还能检查引用是否真实（防止 AI 瞎编参考文献）。
• 它甚至能模拟 7 个不同风格的审稿人，提前帮你把论文改得无懈可击。

它的强项：速度极快，覆盖面广，像是一个不知疲倦的**“脚手架”**，帮你把研究的框架搭得又快又稳。

3. 那人类学者还能干什么？（核心观点）

这是文章最精彩的部分。作者认为，AI 虽然厉害，但它不能替代人类的核心灵魂。他提出了一个**“任务分类法”**，把研究工作分成了两类：

• 能交给 AI 的（像“流水线工人”）：
  • 比喻：就像切菜、洗碗、炒菜。
  • 内容：查资料、跑数据、写初稿、格式化引用。这些工作有明确的规则，AI 做得比人快一万倍，而且不出错。
• 必须人类做的（像“主厨”或“导演”）：
  • 比喻：就像决定今晚吃什么菜系、如何搭配食材、这道菜想表达什么情感。
  • 内容：提出真正新颖的问题、判断某个理论是否真的有意义、理解学术圈里那些“只可意会不可言传”的潜规则（比如哪个编辑喜欢什么风格、现在的学术风向是什么）。
  • 关键点：AI 可以模仿大师的说话方式，但它无法创造像“弱关系的力量”这种颠覆性的新理论。它只能把旧东西重新组合，不能无中生有。

4. 最大的风险是什么？

作者警告说，如果我们完全依赖 AI，会出现三个大问题：

• 风险一：你会失去“鉴别力”。
  • 比喻：如果你从来不开车，只坐自动驾驶，一旦系统失灵，你连怎么刹车都不知道。如果你从来亲手跑过回归分析，AI 给你跑错了，你也看不出来。
  • 结论：如果你不亲自做过，你就无法判断 AI 做得对不对。
• 风险二：贫富差距变大。
  • 比喻：就像以前只有富人买得起马车，现在只有付得起钱买"AI 助手”的人才能写出好论文。没钱、不懂技术、非英语国家的学者会被甩得更远。
• 风险三：学生学不到真本事。
  • 比喻：如果学生只学怎么“指挥”AI，而不学怎么“做”研究，等他们毕业时，AI 已经比他们更会做了，他们就成了只会发号施令的“空壳”。

5. 我们该怎么办？（五条生存法则）

作者没有让我们拒绝 AI，而是提出了**“负责任地使用”**的五个原则：

1. 坦白（Disclose）：就像在论文里写“我用了 AI 辅助写作”，不要装傻。
2. 核实（Verify）：AI 生成的代码和引用，你必须亲自检查一遍。别当甩手掌柜。
3. 练手（Maintain skills）：偶尔关掉 AI，自己亲手跑一次数据、写一段话。保持你的“肌肉记忆”，这样你才能当合格的“监工”。
4. 原创（Protect originality）：研究的核心问题和理论贡献，必须是你自己的。AI 只是帮你把想法包装得更漂亮，不能替你思考。
5. 公平（Design for access）：我们要推动让所有人都能用得起这些工具，不要让技术变成新的歧视工具。

总结

这篇论文就像一位老练的飞行员在告诉你：
“现在的 AI 就像一架超级先进的飞机，它能带你飞得更高、更快、更远。但如果你完全不会开飞机，一旦遇到气流（错误），你就完了。所以，你可以让 AI 帮你操作仪表盘，但你必须坐在驾驶舱里，手握方向盘，时刻准备着在关键时刻做出判断。”

狼已经来了，我们不需要把它赶走，但我们要学会怎么和它一起打猎，而不是被它吃掉。

技术摘要

1. 研究问题 (Problem)

随着人工智能从简单的聊天机器人（Chatbot）向具备多步推理、持久状态和工具调用能力的AI 智能体（AI Agents）演进，社会科学研究的范式发生了质的飞跃。

• 核心挑战：当 AI 智能体能够自主执行从选题、文献综述、研究设计、数据分析到论文撰写和投稿的完整研究流水线时，人类研究者的独特贡献是什么？
• 关键疑问：研究者是否正在从“作者/设计者”退化为单纯的“策展人”？在“氛围研究”（Vibe Researching，即人类描述意图，AI 执行全流程）成为可能的背景下，如何界定人机协作的边界？
• 背景：现有的自动化浪潮（如统计软件、网络爬虫、NLP）主要自动化了单一阶段的执行任务，而第四波自动化（2024 年起）开始自动化跨阶段的推理过程。

2. 方法论 (Methodology)

本文采用概念框架开发与具体案例实证相结合的方法：

A. 案例系统：Scholar-Skill

作者开发并展示了一个名为 Scholar-Skill 的插件系统（基于 Claude Code），作为 AI 智能体在社会科学研究中的具体案例。

• 架构：包含 26 个专用技能插件，覆盖 18 个研究阶段，设有 53 个质量门禁（Quality Gates）和 5 个硬性停止点（Hard Stops）。
• 功能范围：涵盖从研究构思（Idea）、文献综述、因果推断设计、数据分析（定量/定性/计算）、论文撰写、同行评审模拟、伦理审查到投稿和复现包构建的全流程。
• 技术特性：
  • 多智能体协作：在构思阶段引入 5 个角色（理论家、方法学家等）进行压力测试；在审稿模拟中生成 3-7 个不同背景的审稿人。
  • 资产驱动写作：构建包含 127 篇已发表论文的知识图谱，确保修辞结构模仿而非抄袭，并强制使用“已验证引用池”（Verified Citation Pool）防止引用造假。
  • 双模式执行：支持“数据可用模式”（直接运行代码生成真实结果）和“代码模板模式”（生成可运行代码框架）。
  • 持续改进：具备自我审计和进化能力的元技能（Meta-skill）。

B. 理论框架：认知任务分类

作者提出了一个基于两个维度的认知任务框架，用于界定人机分工：

1. 可编码性 (Codifiability)：任务能否被分解为明确的规则流程。
2. 隐性知识需求 (Tacit Knowledge Requirement)：任务是否依赖无法完全表述的领域直觉、政治生态、编辑文化等。

基于这两个维度，将研究任务划分为四类：

• Type C (执行)：高可编码，低隐性知识（如回归分析、数据清洗） -> AI 擅长。
• Type D (沟通)：中高可编码，中隐性知识（如论文润色、回复审稿人） -> AI 辅助，人类把关。
• Type B (规划)：中可编码，高隐性知识（如识别策略选择、伦理判断） -> AI 提供选项，人类决策。
• Type A (构思)：低可编码，极高隐性知识（如提出新理论、识别新机制） -> 人类主导，AI 仅辅助。

3. 主要发现与结果 (Key Findings & Results)

A. AI 智能体的能力边界

• 优势领域：
  • 速度与覆盖范围：能在几秒钟内检索数千篇文献，合成主题，且无疲劳和偏见。
  • 方法论脚手架：能生成复杂的代码（如双重差分、因果森林、结构主题模型），降低方法门槛。
  • 跨阶段推理：能够维持状态，将文献综述的结论直接转化为研究设计和分析代码。
• 劣势领域：
  • 理论原创性：AI 擅长重组现有框架，但难以产生范式转移式的理论突破（如 Granovetter 的“弱关系”强度）。
  • 隐性领域知识：AI 无法感知学科内的“政治”、编辑偏好、时机直觉或未被编码的学术共识。
  • 验证能力：如果人类从未亲手执行过某项任务（如手动编码访谈），则无法有效验证 AI 生成的分析结果是否正确（“验证缺口”）。

B. 委托边界是“认知性”而非“顺序性”

• 传统观点认为“设计是人，分析是机器”。本文指出，分工边界贯穿于每一个研究阶段。
• 即使在“分析”阶段，选择模型（规划）需要人类判断，而运行模型（执行）可交给 AI。
• 即使在“构思”阶段，AI 可以生成多个假设选项，但筛选最具理论价值的假设仍需人类。

C. 职业影响

• 增强论的脆弱性：AI 增强人类的前提是人类保持批判性监督和核心技能。过度依赖会导致“能力退化”，使研究者无法识别 AI 的错误。
• 分层风险：AI 工具的使用成本（订阅费、API 费用）、语言障碍（英语主导）和技术门槛（命令行、编程）可能加剧学术界的不平等，形成"AI 生产力溢价”。
• 教学危机：传统的博士训练侧重于执行技能（跑回归、写综述），而这些正是 AI 最擅长的。如果学生只学会操作流水线，将失去评估 AI 输出的能力。

4. 核心贡献 (Key Contributions)

1. 概念创新：提出了"氛围研究"（Vibe Researching）这一术语，类比“氛围编程”（Vibe Coding），描述了 AI 时代研究的新范式。
2. 理论框架：建立了基于可编码性和隐性知识的二维任务分类法，精确界定了人机协作的边界，打破了“阶段式分工”的旧有认知。
3. 系统实证：通过 Scholar-Skill 系统展示了 AI 智能体在社会科学全流程中的实际运作能力，特别是解决了 LLM 常见的引用造假问题（通过 Verified Citation Pool 机制）。
4. 规范建议：提出了负责任的氛围研究五大原则：
   • 披露 (Disclose)：明确声明 AI 的使用部分。
   • 验证 (Verify)：人类必须亲自运行代码和核对引用。
   • 保持技能 (Maintain skills)：定期手动执行任务以保持判断力。
   • 保护原创性 (Protect originality)：研究问题和理论贡献必须由人类主导。
   • 设计公平 (Design for access)：推动开源模型和工具共享，减少分层。

5. 意义与启示 (Significance)

• 对学科的重塑：AI 智能体将彻底改变社会科学研究的生产力，使单人研究者能完成以前需要团队完成的工作。但这要求研究者从“执行者”转型为“判断者”和“架构师”。
• 教育改革的紧迫性：研究生教育必须从训练“如何跑代码”转向训练“如何评估代码”和“如何进行理论创新”。理论训练的重要性将不降反升。
• 伦理与规范：学术界需要建立新的披露规范和验证标准，防止“验证缺口”导致的学术不端或低质量论文泛滥。
• 社会不平等：AI 工具可能成为新的学术分层工具，学界需关注其可及性，避免加剧全球南方或资源匮乏机构学者的边缘化。

总结：
这篇论文并非预言 AI 将完全取代社会科学家，而是警告：如果研究者放弃了对核心认知任务（特别是理论构思和隐性判断）的掌控，仅将 AI 视为执行工具，将导致研究质量的不可控下降和学术能力的退化。未来的理想状态是人机协同——AI 负责速度、覆盖和脚手架，人类负责方向、判断和原创性。正如文中比喻：“狼已经来了”，关键在于社会科学家如何定义自己在这一新生态中的角色。