Agentic AI 做科学计算：写得快以后，验证才是主工作

先说结论

Agent 能降低科学软件迁移、优化和维护的实现成本，但不会自动降低科学结论出错的成本。OpenAI 这份案例报告反复出现同一个变化：人的工作从逐行实现，转向定义目标、准备可信基线、检查数值与统计行为，并决定谁长期维护。真正可复用的做法不是“一次提示重写整个工具”，而是小步改动，每步都与外部参照比较。

它在解决什么问题

许多研究工具最初只是论文附带代码，由小团队在有限时间里完成。数据规模和环境继续变化，打包、测试、性能和维护却容易欠账。结果是安装脆弱、流程缓慢、复现困难。Agent 可以补充工程劳动力，但也会自信地产生明显错误；数值边界、隐含约定和兼容要求，往往比第一版实现更难处理。

核心机制

官方汇总八个以生命科学为主的项目：五个只用 Codex，三个组合 Codex 与 Claude Code，范围从例行维护、定向优化到语言迁移和 GPU 重构。共同模式是先把大目标拆成阶段，再用中间 benchmark 和测试反馈迭代。可靠验收依赖模型之外的参照，例如与旧工具逐项一致、模拟数据的预知答案、合理的统计性质或明确性能目标。第一版通常很快，边界条件和细微数值差异构成“最后一公里”。

接到 Zero-to-AI 实践

这正是站内工作流编排与验证方法的交点：Explore 时先找到现有行为，Plan 时切小范围，Implement 后立刻 Verify，而不是等大重写结束再找错误。还要保留 git diff、测试输出和失败样本。若想另起重写版本，则先回答 owner、兼容范围和维护期限；“代码现在能跑”不等于形成可靠基础设施。

普通设备可做的低成本实验

输入： 一个读取小型 CSV 并输出汇总 JSON 的 Python 脚本、20 行固定样本、当前输出文件和一条需求，例如“减少重复遍历但保持结果完全一致”。不要用敏感或真实科研数据。

步骤：

1. 在改动前运行脚本两次，保存命令、退出码和输出，确认基线稳定。
2. 手工加入三个边界样本：空字段、重复记录、小数；先写出预期结果。
3. 让 Agent 只改一个函数，并要求解释可能改变的排序、舍入和缺失值语义。
4. 运行旧版与新版，做逐字输出比较；再查看 diff，确认没有顺手改格式或输入契约。
5. 若主张更快，在同一设备、同一输入上多次测量并报告波动，不用一次结果下结论。

成功证据： 基线和新版命令均成功；固定样本与三个边界样本输出一致；diff 只触达批准范围；任何性能结论附原始测量。停止线： 无法写出预期答案、浮点容差尚未由领域需求定义、真实数据不可脱敏，或没有人愿意承担后续维护时，不推进迁移或发布。

常见误区

• 测试通过不等于科学有效；测试可能只复制了同一个错误假设。
• 重写更快不等于值得替换；生态兼容、归属和维护成本可能更高。
• Agent 自述“等价”不算证据；要比较外部参照和真实输出。

原文与证据边界

本文依据 2026-08-30 可读取的 OpenAI 官方页面。页面把报告明确称为回顾性、探索性 field report，案例与加速感受主要来自参与团队；本站未复现八个项目，也未核验其性能提升。官方原页经浏览器读取成功，但本轮 TraceFetch 抓取失败，因此没有 verification.valid=true 的本地正文包。上面的 CSV 实验是一个待执行的教学缩小版，只验证变更流程与输出一致性，不证明 Agent 能判断任何真实科研结论。

本文是原创中文实践解读，不是逐句翻译。阅读英文原文。