一分钟读论文：《BrainPilot -- 科研自动化的多Agent系统与伪造检测审计员》

清华大学、上海智源研究院、复旦大学等11家机构联合发表的论文《BrainPilot: Automating Brain Discovery with Agentic Research》，提出了一套面向脑科学研究的多Agent协作系统。与多数将AI Agent应用于特定领域的研究不同，BrainPilot的核心贡献在于可追溯性设计和伪造检测机制。它通过PI-Agent协调七个专业智能体、Graph of Trace记录完整推理链、以及Auditor Agent实时审计事实准确性，为多Agent科研自动化提供了安全可靠的范式。

PI-Agent协调的多专家架构

BrainPilot采用分层协作模式：一个PI（Principal Investigator）Agent作为总控，管理七个领域专家智能体协同完成研究任务。每个专家智能体在特定子领域内执行调研、分析或写作等具体操作，而PI Agent负责任务分解、进度跟踪和结果整合。

系统背后支撑着一个精心构建的知识基础设施：统一脑科学知识库收录7,233条索引条目，覆盖神经解剖学、认知科学、计算建模等核心领域；技能库包含72个可复用的方法单元。这种”知识库+技能库”的双层设计使Agent能够在缺乏人类直接指导的情况下自主调用合适的知识和工具。

PI Agent的关键职责是确保各专家智能体之间的协作不产生冲突或重复劳动，当子任务需要跨领域知识时动态协调相关专家进行交叉验证，避免单一Agent承担超出其专业范围的工作。

Auditor Agent与Graph of Trace

BrainPilot最具创新性的组件是Auditor Agent和Graph of Trace的可追溯性框架。Graph of Trace是一个结构化的审计记录系统，将研究流程中的每个关键步骤——包括子目标分解、工具调用、证据引用和最终结论——全部链接为可追踪的节点网络。研究人员可以沿着这条链路回溯任何结论的证据来源，验证推理过程的完整性。

Auditor Agent嵌入在研究流程的关键节点上，通过交叉比对知识库原始文献、检查工具调用结果与Agent描述的一致性、识别逻辑链条中的断裂点来实现事实准确性审计。这一机制直接回应了多Agent系统中一个长期被忽视的问题：当多个Agent各自生成部分内容时，如何确保最终整合结果的真实性？

Auditor Agent的设计思路与Micropaper第116篇《Safety Sentry》形成互补——后者关注内容安全的路由过滤，而BrainPilot Auditor聚焦于事实准确性的过程审计。

实验评估与开源价值

论文在三个维度上对BrainPilot进行了评估：Agents’ Last Exam中的三项脑科学任务、作者提出的BrainPilotBench-v0基准测试（覆盖文献综述、方法设计、数据分析等典型环节），以及多个完整的案例研究。

实验结果表明，使用开源骨干模型的BrainPilot在各项指标上达到了与最先进Agent框架相当的性能水平，同时显著降低了计算成本。论文的全部代码、知识库和技能库均已开源，为其他领域的科研自动化研究提供了可复用的基础框架。

References

• BrainPilot: Automating Brain Discovery with Agentic Research (arXiv:2607.15079, 2026)
• Haoxuan Li et al., Tsinghua University, AI Institute for Brain-Inspired Intelligence, Fudan University, Georgia Tech, and 8 other institutions