AI Agent 开始维护科学软件：研究人员从写代码转向证明代码没错

据 OpenAI 发布的科学计算实地报告，研究团队在八个以生命科学为主的项目中使用代码 Agent 完成软件维护、性能优化、语言迁移和 GPU 重构。其中五个项目主要使用 Codex，三个同时使用 Codex 与 Claude Code。

一句话结论：代码 Agent 正在把科学家的时间从实现细节转向任务设计和结果验证，但它最危险的失败方式，仍是生成一套能运行、看起来合理、科学上却不正确的代码。

科学软件与普通应用不同。一个网页按钮错位容易被看见，数值算法在边界条件下偏一点，可能安静地影响整批实验结果。很多项目还背负多年历史代码、特殊硬件和稀缺维护者，重构成本高，却又必须保持结果可重复。

OpenAI 的案例显示，Agent 擅长接手范围明确、能用测试和性能指标验收的任务。研究人员不再逐行编写全部实现，而是准备外部文献、参考输出和可测目标，让 Agent 迭代代码。困难最大的往往是最后一段：特殊输入、数值精度、跨平台行为以及与上游项目的兼容。

报告也承认，Agent 会在错误时保持自信。代码通过编译，只能证明语法和类型大致成立；测试通过，也可能是测试与实现共享了同一错误假设。可靠流程需要独立基准数据、守恒量或已知解析解，并由领域专家判断输出是否符合科学意义。

另一个风险是生态碎片化。Agent 很容易为一个实验快速重写依赖，却可能绕开上游维护者，产生无法长期合并的分支。报告因此强调软件 stewardship：把修复贡献回原项目、保留版本和实验记录，比一次性得到更快代码更重要。

关键事实

• 来源：OpenAI 科学计算 Agent 实地报告
• 涉及工具：Codex、Claude Code
• 核心技术：科学软件维护、语言迁移、GPU 重构、数值验证
• 关键数字：八个项目；五个主要用 Codex，三个同时用 Codex 与 Claude Code

OC 判断

这是一份公司实地报告，不是独立、统一控制变量的性能基准。它最有价值的部分不是证明某个 Agent 赢了，而是明确指出工作重心已经变化：实现可以委托，验收不能。团队若没有可靠测试数据和领域专家，Agent 只会更快地产生难以察觉的科学错误。

为什么重要

• 对研究人员：需要把参考数据、容差和失败条件写成可执行验收标准。
• 对维护者：Agent 生成补丁应进入上游评审，避免项目被快速重写成孤岛。
• 对资助机构：软件维护、测试数据和复现基础设施应被视为研究投入。

参考来源

• A field report on agentic AI for scientific computing
• Introducing LifeSciBench