Consensus 利用 GPT-5 和 Responses API 将数周的研究工作在几分钟内完成

📢 转载信息

原文链接：https://openai.com/index/consensus

原文作者：OpenAI

---

每年，都有数百万篇新的科学论文发表——其数量远超任何一个人可以阅读的范围。

对于科学家来说，挑战不在于知识的获取，而在于寻找、解释和连接这些知识的压倒性任务。突破发生在已知知识的边缘，但研究人员却把大部分时间花在了寻找这些边缘上，而不是突破它们。

Consensus⁠（在新窗口中打开），一个被超过 800 万人使用的研究助手，旨在改变这一现状。该公司由 Christian Salem 和 Eric Olson 创立，其平台可以搜索、阅读和综合跨越超过 2.2 亿篇同行评审文献的内容。其最新的功能 Scholar Agent（学者智能体）是一个基于 GPT‑5 和 Responses API 构建的多智能体系统。它模仿了研究人员的实际工作方式，帮助他们在几分钟而不是几周内从问题得出结论。

但目标不仅仅是更快的研究——而是更快的发现之路。Salem 表示：“科学的进步在于其可及性更高。我们的工作是让世界各地的研究人员都能够找到、信任并根据证据采取行动。”

从搜索引擎到智能体式助手

第一版 Consensus 就像一个科学领域的垂直搜索引擎：它索引学术论文，检索相关结果，并生成以引用为依据的摘要。但仅靠搜索是不够的。

Salem 说：“研究不仅仅是找到论文。它还包括解释结果、比较发现和连接思想。科学家花在搜索、阅读和解释过去知识以找到正确研究上的时间越多，他们用于发现和进行真正研究的时间就越少。”

因此，团队开始围绕一个新概念重新构建 Consensus：一个名为“学者智能体”（Scholar Agent）的多智能体系统，其工作方式类似于人类研究人员。

该系统基于 GPT‑5 和 Responses API 构建，现在运行着一个由智能体协调的工作流程：

• 规划智能体 (Planning Agent)：分解用户的问题并决定下一步要采取哪些行动
• 搜索智能体 (Search Agent)：梳理 Consensus 的论文索引、用户的私有库以及引文图谱
• 阅读智能体 (Reading Agent)：单独或批量解释论文
• 分析智能体 (Analysis Agent)：综合结果、确定结构和视觉效果，并撰述最终输出

每个智能体的范围都很窄，这使得推理保持精确并最大程度地减少了幻觉。该架构还允许 Consensus 决定何时 不 回答；如果没有任何相关研究达到其质量阈值，助手会直接说明情况。

Salem 表示：“通过将工作流程划分给不同的智能体，我们减少了错误，并使系统更加有条理。没有哪个智能体承担了过多的责任，事实证明这对可靠性至关重要。”

团队称这种方法为 上下文工程 (context engineering)：在生成开始之前组装正确的证据。每个答案都附带一个“研究上下文包”——一个结构化的文件包，其中包含可追溯到原始研究的论文、元数据和关键发现。

Salem 说：“我们不希望研究人员浪费时间去反复核实每一个声明。如果系统无法根据真实证据来证明答案，它就不会凭空捏造。”

使用 Responses API 构建

Consensus 从 Chat Completions 迁移到了 Responses API，以支持其多智能体路由。这次切换同时提高了可靠性和成本效益，让团队对子智能体调用拥有了更精细的控制。有了 GPT‑5 的长上下文推理能力和可靠的工具调用能力，选择是明确的。

初步评估证实了这一选择：在工具调用准确性和规划稳定性方面，GPT‑5 的表现优于 GPT‑4.1、Sonnet 4 和 Gemini 2.5 Pro。这使得 Consensus 团队可以将更少的精力花在提示工程上，而将更多的精力花在构建直接映射到研究工作流程的智能体行为上。