通用大模型发展到今天，我们发现 agent ，已经可以解决了大部分场景的能力，在通用的场景下，通用的模型仅通过对话而不需要帮助你关注过程，就能得到一个完整接近符合你预期的一个结果，这种感觉近乎于“造神”。
但是这只是 AI 发展到现在的第一步！
“‘对话模式’不是 AI 交互的最优解～！”
这个是我们思考并提出来一个观点，无论是什么领域，完整的一条属于自己垂类领域的 workflow 和 AI 的交互都有一套自己的标准，它不仅仅只是聊天，更是对于自己领域的整理、管理与沉淀。
每个行业都有自己的工作流程。做科研的、做设计的、做开发的，流程完全不同，需要看到的东西也完全不同。但不管哪个行业，应该都希望能有一个东西，把 AI 和人的每一次交互里真正有价值的部分沉淀下来，用某种方式呈现出来——可能是进度图，可能是知识图谱，可能是一个你随时可以拖拽时间轴回去看的画板。
关键是，AI 需要能看到项目的全貌，人也需要能看到 AI 帮自己梳理出的脉络。这样才叫协同，不然只是你一句我一句的聊天。
在未来，好的 AI 交互模式一定是在其特有领域的 workflow 上交互更贴合。
在跟几个做科研的朋友聊过以后，发现他们能用现在的对于传统的 agent 框架用起来得心应手，但是但整个课题做下来，失败的实验记录、中间某个想法的演变以及成功的参数组合的调试，全部淹没在上千条对话里了。
所以对于科研领域来说，我们认为需要下一代科研工具来去提升我们用户对于科研 AI 方面的体感，我们在现有的通用 agent 基础上研发了下一代基于科研领域的 agent 科学实验平台：https://otterflow.ai/
-
让 AI 围绕整个项目生成和持续修改论文：论文、结构和研究报告会结合项目里的文稿、资料、数据与历史一起生成和修改。无论用户正在使用 Word 还是 LaTeX ，内容发生变化后，AI 都能继续接着改。Word 支持文档内的联机交互，也有离线文档生成路径。
-
让文献能被核查，而不是只出现在一段看似正确的回答里：文献检索、引用验证和文中落点连在一起。用户可以回到具体来源，查看对应内容和高亮，知道这条引用究竟支撑了哪一句话。
-
让每一轮实验都成为下一轮实验的上下文：旧数据、实验结果和中间结论会被持续记录下来。AI 可以基于已有实验继续迭代，也能回到某一次历史实验，重新分析数据或换一种处理方式。
-
让项目有一个能看见全貌的管理面板：文稿、文献、实验、数据、任务和进展可以留在同一个项目里。研究者看到的是课题如何推进，而不只是散落在聊天记录里的几千句话。
-
让 AI 适配科研真实发生的流程：科研通常会经历文献梳理、提出问题、实验或数据分析、修正思路、写作和验证。Otterflow 希望让 AI 沿着这条流程工作，并把每一步留下来，方便继续、审阅和回看。
对于科研的人来说，这不再只是一个 AI ，而是 AI 真正融入了你的工作和你所需的日常项目管理，AI 真正的了解你的完整项目并能完整管理，它不再仅仅只是一个个聊天，他会真正的识别出你需要和不需要的数据。
我认为我们的思路也是未来各个垂类行业的思路，对不同领域来说，AI 会适配不同的工作流模式，而不再像是现在只是一个通用的绘画。
回到最开始那个“对话就能解决一切”的想象。现在我觉得，对话只是一个入口。真正有价值的东西，发生在对话结束之后——当那些散落的信息被串起来，当你发现自己可以像翻一本有目录的书一样回顾整个项目，那时候 AI 才真正成了你工作里的一部分，而不只是一个高级一点的搜索引擎。
如果你对我现在做的事情感兴趣，并想一起参与到生态开发，可以查看官网， 参与讨论或者联系我们。
企业微信名片：
Twitter:
https://x.com/otterflow_ai
Discord:
https://discord.gg/6PQRAdwcR
Select Language