Dr. Claw：把 AI 执行变成可审计的人机协作科研工作台
为什么"AI 把执行做完了"还不够——科研的真正痛点
Dr. Claw 要解决的核心命题，是如何把已经能独立执行的命令行 coding agent 包成一台可审计的研究工作台。
Claude Code、Gemini CLI、Codex 这一类工具在过去两年迅速成熟：它们能稳定地读取仓库、运行代码、跨长会话维护上下文，从"会写 Python 脚本"进化到"能独立完成一次代码评审"。很多研究者已经开始把其中一些步骤外包给它们，文献检索让 AI 做、初版代码让 AI 写、实验跑通后让 AI 出一段结果分析。单次执行的能力确实变强了，但端到端的研究过程并没有因此变得更顺，这正是 Dr. Claw 把它当作出发点的原因：CLI agent 的执行能力已经不再是瓶颈，把它转成可审计研究工作台才是。
原因在于，研究项目通常会横跨数天到数周，研究者一边在 chat 工具里和 LLM 讨论思路，一边在 IDE 里改代码、在终端里跑实验、在写作软件里起草论文。这些工具彼此独立，研究者自己的目标、约束、决策散落在多个对话窗口和文件里。当实验出现偏差需要回溯当时为什么做这个决定时，往往只能从记忆里重建；当某次 LLM 生成的代码改坏了某个文件而没有被察觉时，纠错成本远超重新生成一次；当一次长跑跑到一半发现目标本身需要调整时，整条执行链的中间状态已经没法回放。Dr. Claw 把这一组碎片化痛点视作 CLI agent 直接落地科研时必须补齐的接口层缺口。
Dr. Claw 给出的答案是它自己命名的 Vibe Research。研究者只负责表述高层次的"vibe"，也就是目标、约束、验收标准；AI 负责把这份 vibe 编译成可执行的研究闭环并实际跑起来，最终的判断与决策仍然回到人手里Dr. Claw 论文摘要。把这个范式做成现实工具，正是 arXiv:2609.00365《Dr. Claw: An AI Scientist Workspace for Vibe Research》整篇论文的目标Dr. Claw 论文。这个范式的关键不是把 AI 做得更强，而是把人与 AI 之间的接口做得更可审计。
要理解 Dr. Claw 的设计立场，先看论文 Figure 1 给出的控制分层。论文把这张图直接命名为 "Control split in Dr. Claw"——它把研究过程切成左右两半：
图注：Dr. Claw 的控制分层框架。左列 "Human-Controlled" 由研究者设定目标、约束与验收标准；右列 "AI-Execution" 由 AI 跑五项核心操作（Plan → Execute）；中间由四件持久化状态对象串联，右列执行后通过 Verify / Revise / Retry / Handoff 四种反馈回到左侧。Dr. Claw 论文 Figure 1
这张图最值得注意的一点是：左列没有替换右列。Dr. Claw 不会去重新训练一个"研究型 AI"，也不会去发明第六种 coding agent；它做的事情是把现有的命令行 coding agent 包了一层，在外面加上了一套持久化状态对象和反馈回路。换句话说，Claude Code / Gemini CLI / Codex 仍然在跑 Plan → Execute，但它们跑的每一步都被落盘了，每一次 Verify / Revise / Retry / Handoff 都被记录了，研究的决策因此变成可回放的轨迹。
把这一点说透，需要补充一段来自 HCI（人机交互）研究的外部证据。CHI / UIST 2024–2025 的五篇工作（Gu et al. 2024 CHI、Kazemitabaar et al. 2024a UIST 与 2024b CHI、Xie et al. 2024 UIST、Flores-Saviaga et al. 2025 CHI）共同指向一个事实：跨数据分析师、编程学生、视障开发者三类人群，AI 协作的真正瓶颈不在生成速度，而在验证（verification）与上下文维护（context maintenance）。用户经常无法判断 LLM 给出的答案是否真的对，也无法在多任务间顺畅切换。Xie 等人的 WaitGPT 是其中最直观的代表，它把 LLM 流式生成的代码实时转成可视化的节点-链接图，让用户能即时看到数据操作的流向WaitGPT (Xie et al. 2024 UIST)。
图注：WaitGPT 在用户与 LLM 之间插入一个可视化层，左侧是用户输入，右侧是 LLM 输出，中间三步 parse → execute → visualize 把代码逻辑显式化。这类设计的核心主张是：让用户看到 AI 在做什么，比让 AI 做得更快更重要。
Dr. Claw 把 HCI 共识（过程可见、可中断）直接翻译成了架构层的 affordance：不是再做一个聊天界面、也不是让 LLM 解释自己，而是把研究的中间状态、决策、轨迹固化下来，由人按需回放和接管。理解了这一点之后，我们接下来要看 Dr. Claw 是如何把这件事落到具体机制上的。
Dr. Claw 的整体架构：四件状态对象 + 三层 + 闭环
Figure 1 给的是控制分层的高层视角，Figure 2 才是论文里唯一一张同时含"四件状态对象 + 三层架构 + 闭环 + policy 公式"的系统全景图。理解这张图，就理解了 Dr. Claw 的核心机制。
图注：Dr. Claw 系统全景，自上而下分四带。最上方是四件持久化状态对象（Task Graph、Artifact Store、Decision Log、Execution Trace）；中间是三层架构（Interaction、Orchestration、Execution）；下方是 Plan-Execute-Verify-Write-back 闭环；最底部是安全策略约束公式
Action_t ∈ 𝒜(Policy_t)。Dr. Claw 论文 Figure 2
四件状态对象是 Dr. Claw 把"研究过程"具体化的方式，每一件解决一个具体的可追溯问题：
| 状态对象 | 回答什么问题 | 具体形式 |
|---|---|---|
| Task Graph | 这一步在做什么、做完没有 | queryable DAG 节点，含 ID、status、priority、dependencies、stage、type、required inputs、suggested skills、next-action prompt |
| Artifact Store | 产物落到哪里了 | 文件系统，由 Artifact_{t+1} = Artifact_t ∪ ΔArtifact_t 写回 |
| Decision Log | 关键决策为什么这么做 | 人批准 / 修改 / 拒绝的记录与理由 |
| Execution Trace | 执行器实际做了什么 | timestamped 事件流，Vibe Research 条件下 mean 14 transitions / run |
论文用一句话给状态转移的形式化：State_{t+1} = f(State_t, Action_t, Obs_t)。这意味着 Dr. Claw 优化的不是单次响应，而是每一次状态迭代的可追溯性Dr. Claw 论文 Section 3.1。Task Graph 是 DAG 节点集合，Artifact Store 是文件加法，Decision Log 是决策流水，Execution Trace 是时间戳事件。
这里有一个命名上的歧义需要点破。中文里"任务图"听起来像是工作流的可视化抽象，但 Dr. Claw 论文里的 Task Graph 特指四件状态对象里的第一件——一个可查询的 DAG 节点表，每条任务对应一行（ID / 状态 / 优先级 / 依赖 / 阶段 / 类型 / 输入 / 推荐 skill / 下一步提示）。这是数据结构，不是流程图。
三层架构把用户交互、状态调度、底层执行分开：
- Interaction 层——统一工作空间，承载聊天窗口、任务视图、文件操作、版本控制。
- Orchestration 层——把高层意图分解为阶段任务，并管理状态与生命周期。
- Execution 层——调用后端执行器、返回结果、处理异构执行器间的异常。
这种分层让用户可以在不同任务类型间切换执行策略（比如某个 step 用 Codex、另一个 step 用 Claude Code），而无需改变工作流的语义。
闭环由 Plan → Execute → Verify → Write-back 四步构成。输出流入 Artifact Store，任务状态在 Task Graph 里更新，干预留在 Decision Log 与 Execution Trace。状态转移遵循依赖：pending → running → done，全历史保留。安全边界用 Action set 表达：每一轮允许的动作必须落在当前 permission profile 定义的动作集里，写成 Action_t ∈ 𝒜(Policy_t)。
把这套机制放进更广的工程语境：Dr. Claw 的"任务图 + 状态机 + 持久化 + checkpoint"组合，并不是 agent 框架里唯一的实现路径。LangGraph 作为通用编排框架，把 interrupt / checkpoint / Command(resume=...) 这套原语做了通用化，但state schema 留给开发者声明——你需要自己写 TypedDict 定义状态结构LangGraph 官方文档。Dr. Claw 的差异在于：它把 Task Graph / Artifact Store / Decision Log / Execution Trace 这四件写死成科研专用的内置 state schema，研究者不必为每个项目重新定义状态结构。
图注：LangGraph 官方 checkpointers 页示意图。从上到下分五行：Graph（节点与状态）→ Super-steps（每步边界）→ Checkpoints（快照内容）→ Thread（同一 thread_id 串起）→ StateSnapshot（外部可读的快照对象）。这是通用编排框架如何做"每步可回放"的官方可视化。
对比之下，Dr. Claw 不需要开发者写 state schema，但反过来也不像 LangGraph 那样能直接挂任意节点。它是科研专用的 workspace，不是通用 agent runtime。这是 Table 1 设计空间定位里 Dr. Claw 与 LangGraph 最关键的一处分歧。
到这里我们看到了 Dr. Claw 的骨架——四件状态对象是骨架、三层架构是分层、Plan-Execute-Verify-Write-back 是关节。下一步要看骨架上挂的 capacity：可复用 Skill 库与多执行器协同。
Skill 库与多执行器协同：把能力装进可复用容器
仅有骨架还不能让研究跑起来。Dr. Claw 的骨架上挂的 capacity 来自两个机制：可复用 Skill 库（把科研子任务封进可命名的能力单元）和多执行器协同（在 Claude Code / Gemini CLI / Codex / Cursor hooks 之间切换）。
论文 Appendix B.2 给出了完整的数字。Skill 库部署态总共 171 条，其中 87 条是有自己 SKILL.md 的 top-level skill，剩下的 84 条是它们的子项或引用。58 条 stage-mapped skill 按研究阶段分布：survey 11、ideation 14、experiment 18、publication 22、promotion 3。还有 30 条 top-level skill 尚未挂到 stage map 上。三个内部家族承担了大部分内容：aris-* 44 条、inno-* 16 条、ds-* 14 条，其余从公开库导入Dr. Claw 论文 Appendix B.2。
每条 skill 是一个目录，根下必须有 SKILL.md（YAML frontmatter + Markdown body），可以挂 references/、scripts/、assets/ 三个可选子目录。YAML 头限定常用字段：name、description，以及常见的 version、license、allowed-tools、argument-hint，可选 stage、domain。Skill 在激活前会经过版本与 schema 校验。
注入路径有三种，把 skill 在 workflow 里的出现时机说清楚：
- stage-skill map：任务的 stage + type 解析出推荐 skill，挂到 Task Graph 节点上，注入到下一步 prompt。
- keyword auto-load：扫描用户指令与任务文本，关键词命中则自动加载对应 skill。
- manual invocation：从 Skills Dashboard 手动调用。
后端执行器由 Backend Adapter 接管：Claude SDK、Codex SDK，加上 Cursor hooks。每一个 backend 都用显式 policy 设置（allowed / disallowed tools、permission mode、sandbox / approval）来约束 action set。论文把这种解耦写成一句明确的设计取舍：切换研究领域只需要改一份 JSON map，不需要改代码。
把这段设计与同期同主题的 Kassis 等人工作（Scientific Agent Skills，arXiv:2609.00065）对照一下，会看到 skill library 不是 Dr. Claw 的发明。Kassis 等人在 v2.65.0 tag 上发布了 163 条 scientific procedures，覆盖 16 个领域（genomics、cheminformatics、medical imaging、study design、scientific communication），全部用"目录 + SKILL.md + references/ + scripts/ + assets/" 的形式组织Scientific Agent Skills 论文。
图注：Kassis 等人的 skill 库在 v2.65.0 tag 时的子目录组合分布。163 条 skill 中绝大多数是
references/+scripts/双件套（68 条）或加上assets/（31 条），纯 SKILL.md 只有 3 条。子目录的文件数分布也是 heavy-tailed——少数 skill 占了大半引用文件。
图注：Kassis 仓库把 agent-loadable material 与 repository apparatus 严格分开。
skills/<name>/下放 SKILL.md 与可选 references / scripts / assets；测试、共享校验、CI workflow 放在仓库其它位置。这是"目录即 skill"设计的另一种实现。
两条路线都做"把可复用程序性知识装进可被 agent 加载的容器"，但落点不同。Dr. Claw 把 skill 与研究阶段绑死，靠 stage-skill map 在运行时把 skill 注入任务节点；Kassis 等人把 skill 设计成与 host runtime 完全解耦的目录资产，靠 progressive disclosure 在 host 启动时只入 description（14,246 tokens / 163 条 / 中位 67 tokens，占 200K-token 窗口的 7.1%）。后者甚至在 Limitations 里诚实交代：没有 task-level evaluation、没有 host selection rate、reach 不是 use——这一点和 Dr. Claw 在评估节的态度呼应。
到这里我们已经看到：四件状态对象提供骨架，Skill 库提供 capacity，多执行器协同提供 backend 灵活性。下一节要看这三者是如何在用户面前被调度的——也就是三视图场景。
三视图场景：人到底怎么真正接管
骨架与 capacity 都到位之后，研究者真正面对的"界面"长什么样？论文 Figure 3 给出的是 Dr. Claw 的三视图场景图，由左、中、右三块面板组成。
图注：Dr. Claw 三视图场景示意图。左侧是 Skills Dashboard，用于能力发现与按研究阶段 / 标签筛选；中间是主交互界面，统一承接目标 / 约束 / 验收 + 实时执行反馈；右侧是 Task List，展示同步任务卡与状态进度，并支持任务级 traceability。Dr. Claw 论文 Figure 3
这三块面板不是三个独立的工具，而是同一个工作流的三个入口：
- Skills Dashboard 解决"我有什么能力可以用"。按研究阶段（survey / ideation / experiment / publication / promotion）浏览、按标签（Ideation / Experiment / Publication 等）筛选、手动装载需要的 skill。在某个新领域首次跑研究时，研究者通常从这里开始建立自己的工具集。
- 主交互界面 解决"我现在要做什么"。一个统一的 prompt 接收 goal、constraint、acceptance criteria，研究者在这里做"研究 lead"，Dr. Claw 负责把目标分解成 task graph、dispatch 到 backend execution、把状态反馈推到同一界面。每一次确认 / 修改 / 拒绝都进入 Decision Log。
- Task List 解决"现在做到哪了、下一步怎么走"。整体计数（Total / Done / In Progress / Pending）、进度条、按 stage 分组的 Synchronised Task Cards。每个卡可以查任务级 traceability——任务 ID、目标、关联 skill 标签，并能直接进入下一步或回到 pending / in-progress 节点续跑。
论文强调 Figure 3 是 paper 的场景示意图，不是真实运行截图。三视图协调面板的设计意图是清晰的：让人成为研究 lead，而不是被 AI 报告淹没的旁观者。这一点与 ResearStudio（Yang and Weng, EMNLP 2025 Demos）的对照值得点一笔。ResearStudio 走的是 hierarchical Planner–Executor + live plan-as-document，把"任意时刻 pause / edit / resume"做进框架层。在 mid-run takeover 这个维度上，Dr. Claw 自承比 ResearStudio 弱（只能在 checkpoint 暂停，不能在任意时刻暂停）ResearStudio 论文。
图注：ResearStudio 的三层架构。L-1 MCP Toolbox 提供被 Planner–Executor 调用的能力；L-2 Agent Core 包含 Planner 与 Executor；L-3 WebPage 是前端界面；三层之间通过 Communication Protocol 串起。这是"任意时刻可暂停"的代表实现。
Dr. Claw 的差异在于把 mid-run takeover 与持久化研究状态绑在了一起：每一次暂停背后都有一个 queryable Task Graph 与时间戳 Execution Trace，研究者不需要担心"暂停了之后能不能接回去"。
到这里我们看到正常流——Plan / Execute / Verify / Write-back 在三视图下顺畅流转。下一个问题是：当执行器出错、文件被破坏、目标本身需要调整时，Dr. Claw 能不能续跑？
异常流也会续跑：失败恢复与非破坏性任务变更
研究项目几乎不可能一帆风顺。一次执行可能拿到 wrong-path 错误（路径不存在、JSON 解析失败），一次会议中途中断，一次 prompt 改写了原有约束。Dr. Claw 对异常流的处理方式，是论文 Section 5.2 集中演示的部分，也是它与"另一个 chat 工具"差异最大的一块。
论文给出的是一次诱导的 wrong-path 错误走读。具体做法是：在 Derm7pt 医学影像数据集上跑一个 mini-project，刻意让执行器走到一条不存在的路径，把任务打挂。然后观察 Dr. Claw 如何处理。
论文给出的 verbatim 数字：恢复后系统跑出真实 accuracy 0.892，5 个 pre-existing files 全部保留，23 个 tool events 全部记录。这里的"5 + 23"是 Section 5.2 验证段落明确给出的数字。
失败的捕获与处理走三层：
- 管线 / 文件层：缺路径、JSON 解析失败、磁盘不可写等问题被显式捕获，返回明确的 4xx / 5xx 状态；初始化时若缺 pipeline-state 默认文件，会自动重建。
- 权限层：allow / deny 显式标记，附理由；approval 请求有 bounded timeout，避免挂死。
- 会话层：执行器 abort 被支持、错误事件结构化、生命周期状态一致。
更关键的是非破坏性任务变更 API。论文 Appendix B.2 显式列出四种 mutation 方式：update 改 status、revise 改内容、append 加任务、continue 从 pending / in-progress 节点续跑。这些 mutation 不删除历史——每一条 prior state 仍然留在 Execution Trace 与 Decision Log 里，研究者随时可以回到任意时间点。
为什么这点重要？因为大多数 AI 工具一旦执行器报错，研究者只能重新跑一遍整条流程；Dr. Claw 把"恢复"做成第一公民，原状态不丢，新尝试叠加在旧状态之上。
为了不让读者觉得这套设计是孤例，我们看一眼同主题同期不同工程栈的另一份工作：AgentR（Samanta et al., arXiv:2608.15264）。AgentR 也做"持久化中间状态 + 可恢复执行 + 可审计使用记录"，但走完全不同的实现路线AgentR 论文。
图注：AgentR 的四层架构示意。蓝色 REST API Layer、绿色 Core Services、紫色 Workflow Orchestration（BullMQ + Redis + Worker）、青色 Persistence Layer（PostgreSQL + Prisma）；右侧橙色 Cross-Cutting Concerns 涵盖 Security / Observability / Reliability / Financial Integrity / Configuration Management。这是"持久化 + 恢复 + 审计"这条工程脉络的另一种实现。
| 设计命题 | Dr. Claw 选了什么 | AgentR 选了什么 |
|---|---|---|
| 持久化载体 | 文件系统 + WebSocket | PostgreSQL + Prisma（13 张表） |
| 任务队列 | Task Graph DAG | BullMQ + Redis 三条队列 |
| 状态机 | pending / running / done | 6 态 ProcessingStatus |
| 恢复策略 | 非破坏性 mutation API | Strategy A（Redis retry）+ Strategy B（DB 重建，部分实现） |
| 失败处理 | 三层（管线 / 权限 / 会话） | worker orphan check + exponential backoff + circuit breaker |
| 计量记账 | 由 Action set 限定工具 | ACID 事务内做 token-cost 扣减 + Type-2 SCD pricing |
两者共享设计命题（持久化 + 恢复 + 审计），但实现栈完全不同。AgentR 给读者的是"工程完整度的另一种参照系"——它在开发数据集上达到 99.2% JCR / 4.3× 并行加速，但论文自承 Strategy B（DB 重建）目前"only partially realized"。
到这里我们看到了 Dr. Claw 的全部机制层。下一步进入评估节：这套系统在受控条件下做得多好？论文怎么解释数字？
对照评估：固定执行器下的 completeness + 可审计过程轨迹
论文 Section 5.1 是全文最容易被误读的部分，必须逐条点破。这一节有两个数字、一个 CI、一个论证方向：
实验设计
三个医学任务：melanoma classification on Derm7pt、nevus classification on Derm7pt、clinical-note risk baseline。两个条件：bare Codex（裸 CLI agent）、Dr. Claw 包同一 Codex。后端固定在 Codex provider + 模型 gpt-5.4、permission profile 统一为 danger-full-access / approval-never。给两个条件的指令完全一致（"conduct a rigorous, publication-quality study..."），评分 rubric 对 prompt 不可见Dr. Claw 论文 Section 5.1。
核心数字
| 指标 | Dr. Claw | 裸 Codex | 差异 |
|---|---|---|---|
| Pooled（21 个 best-practice 元素平均） | 0.952 | 0.873 | Δ = +0.079 |
| 95% bootstrap CI | — | — | [-0.00, +0.14] |
| Limitations section | 1.00 | 0.33 | +0.67 |
| Subgroup analysis | 1.00 | 0.33 | +0.67 |
| Real related-work citations | 0.67 | 0.00 | +0.67 |
| 引用解析率 | 100% | 62% | +38 pp |
| 引用数量 | 48 | 8 | ×6 |
注意几点：
- CI 包含零。+0.079 的方向在三个任务上都一致（Dr. Claw ≥ bare），但置信区间下界是 -0.00——不构成统计显著，是 single replicate 的方向一致证据。论文自己明示评估是探索性的，不是 powered comparative study。
- 差距全部集中在 research hygiene。在建模条件（multi-models、CV、calibration、ablation、statistical rigor）上两条件都打 1.00 平手；差距全在 limitations、subgroup、real citations 这三个"研究规范"维度上。裸 agent 在三个任务上一条真实 related-work citation 都没有，Dr. Claw 至少在两个任务上触发了 reference audit。
- 可审计过程轨迹是架构 affordance，不是分数。Dr. Claw 在三个任务上平均持久化 17 条 tracked tasks / 12 次 skill 读入 / 14 个 Task Graph 节点 / 14 条 Execution Trace / 10 条 Decision Log 简记；bare agent 持久化零条。"bare = absent"是构造性的，不是 empirical 差异。
- 一次 tie 的解释。在 clinical-note 任务上两条件 reference audit 都没触发，Dr. Claw 在这一项上没拉开差距——这说明 reference audit 机制不是默认开启的，触发条件没满足时，差距自然不出现。
这组数字能 / 不能回答什么
能回答：Dr. Claw 包在裸 Codex 外面的一整套编排（task graph + state objects + skill library + workflow instructions）作为一个 bundle，确实让生成的产物更接近论文写作规范。它至少触发了 reference audit、留下了 limitations section、做了 subgroup 分析。
不能回答：哪个具体组件（task graph / state objects / skill library / workflow instructions）贡献了多少。论文自承这是 bundle comparison，不是 ablation——下一步该做的是 skill-only vs orchestration-only 这样的对照。
这正是评估方法学反思要插进来的一段。同期 trajectory-judge 工作（Mohammadi, arXiv:2609.00038）论证了一个具体问题：只看最终结果的 outcome-only judge 在 silent fault（过程错但结果对）上漏掉多少？实验给出：loud recall 84%，silent recall 45%trajectory-judge 论文。
图注：5 个 judge 的 recall 按 silent / loud 拆成两根条。outcome-only judge 在 silent 上只有 45%，在 loud 上有 84%，39 个百分点的鸿沟是结构性盲点。step-rubric judge 把这条鸿沟几乎抹平，代价是 cost ×3。红色 × 是"flag everything"反例——召回满分但价值为零。
这段外部证据的方向和 Dr. Claw 一致：只看 outcome 的评判方式不够。Dr. Claw 的 0.952 vs 0.873 是 coverage，不是 correctness；它的审计轨迹是 first-class artifact，不是事后日志。这两件事在同一方向上：评判 agent 的过程也要 verification，不能只看结果。
接下来还要给一个用户视角的补充。论文 Appendix A 跑了一次 N=7 PhD 研究者的 retrospective study，对照 C1 No-AI / C2 Web-Desktop-AI（ChatGPT / Gemini / Claude）/ C3 Dr. Claw 三种条件。Dr. Claw 条件落在更短的完成时间带（主要 <1h 与 1h–1d）、更高的 stage output score、更少的工具切换、更高的 experience score。Experience 维度在三个 stage 上 pairwise 全部显著；Time Band 仅在 Stage 2–3 显著。论文自承这是 hybrid exploratory 协议（C3 live logs、C1/C2 retrospective reports），不构成因果证据，但确实是 operator-facing 效应Dr. Claw 论文 Section 5.3 + Appendix A。
到这里评估节结束。下一个问题：把这套系统放进更广的设计空间里，它和 AI Scientist、ResearStudio、TinyScientist、LangGraph 各自站在哪个位置？
Dr. Claw 究竟做到哪一步：设计空间定位
论文 Table 1 是这张定位图。Dr. Claw 在七个维度上自评全 ●：
| 维度 | Dr. Claw | AI Scientist v1/v2 | TinyScientist | ResearStudio | LangGraph |
|---|---|---|---|---|---|
| Wraps CLI agent | ● | ◐ | ● | ○ | ○ |
| Research skills | ● | ◐ | ◐ | ◐ | ○ |
| Built-in research state | ● | ● | ◐ | ● | ○ |
| In-place recovery | ● | ◐ | ○ | ● | ● |
| Mid-run takeover | ● | ○ | ○ | ● | ◐ |
| End-user workspace | ● | ○ | ● | ● | ○ |
| Unattended end-to-end | ● | ● | ● | ◐ | ● |
每个维度单独看都有前辈：
- Wraps CLI agent：TinyScientist 也把 Coder 委托给外部 coding agent（Aider / Claude Agent SDK）TinyScientist 论文。
- Built-in research state：AI Scientist-v2 持久化结构化的实验树（replication node + aggregation node）AI Scientist-v2 论文。
图注：AI Scientist-v2 的多阶段树状实验流程。每个阶段都是一次 tree-search problem，replication node 重复父节点的实验，aggregation node 聚合 replication 结果出综合可视化。这是 Dr. Claw Section 2.1 引为"持久化结构化实验树"单一维度先例的视觉证据。
- In-place recovery：LangGraph 的 checkpoint + replay 提供通用恢复原语。
- Mid-run takeover：ResearStudio 的任意时刻 pause / edit / resume 比 Dr. Claw 在这一维上更强（Dr. Claw 自承）。
图注：TinyScientist 把研究流程切成 thinker / coder / writer / reviewer 四个模块，每个模块由 InputFormatter / OutputFormatter / MCPClient / Checker 四个 feature 组件支撑。这是"wraps CLI agent"维度的另一条实现路线，Coder 模块委托给外部 coding agent。
Dr. Claw 的差异不在某一维上独占鳌头，而在把七件事组合成一个 sustained human takeover 的长时工作流——这是 Table 1 上唯一七维全 ● 的工作。
这也回答了"为什么这篇值得读"。AI Scientist-v2 跑的是"自主长跑到投稿成功"，ResearStudio 跑的是"任意时刻可暂停的人机协作"，TinyScientist 跑的是"模块化 + 外包执行"，LangGraph 跑的是"通用持久化与恢复"。Dr. Claw 把这些线索里的几条（外包 CLI、持久化研究状态、内置 skill、in-place recovery、mid-run takeover、end-user workspace、unattended mode）合并到一个不放弃人类决策权的端到端研究工作台里。这不是又一个自主 agent，而是一个以人为 lead 的科研工作台。
到这里定位节结束。下一节要给读者最关键的一帖：Dr. Claw 不是 SOTA 论文，它是 EMNLP 2026 System Demonstrations demo，论文自承的限制需要逐条复述。
局限与延伸讨论：Dr. Claw 不是 SOTA 论文
论文 Limitations 节是这一段最重要的证据，下表为中文意译，语义与 Limitations 节一致，但并非逐字逐句的英文 verbatim 复述Dr. Claw 论文 Limitations 节。
| # | 限制 | 具体含义 | 写作建议 |
|---|---|---|---|
| 1 | 小规模探索性 demo | 3 个医学任务、每任务 1 次重复，CI 含零 | 不要把它读成 SOTA 论文 |
| 2 | 不是 ablation | task graph + state objects + skill library + workflow instructions 是一个 bundle | 下一自然实验是 skill-only vs orchestration-only 对照 |
| 3 | 覆盖率而非正确性 | 21 个 best-practice 元素是 coverage 计数，不是 expert correctness review | 高风险场景不要把系统输出直接当真 |
| 4 | 对照组是 bare executor | Limitations 原文只说「not a state-of-the-art orchestration framework」，未点名具体框架；下表的对照对象另引自论文 Table 1 | 不能写成"Dr. Claw 比 LangGraph 好" |
| 5 | 单域医学 | transfer 到开放探索 / 多模态 / 跨学科未验证 | 不在医学外场景下做能力承诺 |
| 6 | 不主张模型级创新 | 增益依赖 backend model + permission profile + skill 覆盖度 | 配置变动时增益会变 |
延伸风险
AGPL-3.0 + GPL-3.0 上游合规边界。Dr. Claw 仓库走 AGPL-3.0，但上游 backend adapter 组件（Codex SDK / Claude SDK，即论文 Section 3.5 描述的 backend adapters for the Claude and Codex SDKs with Cursor hooks）走 GPL-3.0。AGPL-3.0 的网络服务条款意味着：把 Dr. Claw 部署为 SaaS 也必须开源整套修改。GPL-3.0 上游则意味着任何衍生工作必须以兼容许可证发布。这对希望闭源集成的团队是硬约束Dr. Claw 论文 Abstract + License 节。
依赖上游 coding agent 的脆弱性。Dr. Claw 包的是 Claude Code / Gemini CLI / Codex SDK——这三家本身都在快速演进：模型版本、permission 模式、tool use 接口都会变。Dr. Claw 的 Backend Adapter 列表（Claude SDK + Codex SDK + Cursor hooks）需要持续跟进，policy 设置（allowed-tools / permission mode / sandbox / approval）任何上游变动都可能让 Dr. Claw 的 action set 错位。
评估方法学透明度。Kassis 等人在 Scientific Agent Skills 论文的 Limitations 里诚实写明："no task-level evaluation, no host selection rate, reach is not use"。这种"知道自己测了什么、没测什么"的态度和 Dr. Claw 评估节的态度呼应：dr. claw 的 0.952 vs 0.873 是 bundle comparison 的方向证据，不是 SOTA 主张。
到这里，全文收口。Dr. Claw 的设计立场是"包一层而不是再造一个新自主 agent"：把现有 CLI coding agent 包进持久化状态对象 + 可复用 Skill 库 + 多执行器协同 + 人在环审计的可追溯工作台，让 Vibe Research 范式落地。它的核心机制（四件状态对象、三层架构、Plan-Execute-Verify-Write-back 闭环、policy 公式）让每一步决策变得可回放；它的可恢复能力让异常流也能续跑；它在 Table 1 的七维设计空间里是唯一全 ● 的工作。但它也是一份 EMNLP 2026 System Demonstrations demo——评估是探索性的、不是消融、是覆盖率而非正确性、单域医学、未主张模型级创新。把这一帖吃透，是正确使用 Dr. Claw 的前提。
参考文献
本专题引用的核心资料如下，建议深入学习时阅读原文：
- Dr. Claw: An AI Scientist Workspace for Vibe Research — arXiv:2609.00365
- Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents (Kassis et al., K-Dense) — arXiv:2609.00065
- The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search (Yamada et al., Sakana AI) — arXiv:2504.08066
- ResearStudio: A Human-intervenable Framework for Building Controllable Deep Research Agents (Yang & Weng) — ACL Anthology 2025.emnlp-demos.69
- trajectory-judge: What Outcome-Only LLM Judges Miss on Agent Trajectories (Mohammadi) — arXiv:2609.00038
- AgentR: A Stateful and Recovery-Aware Software Architecture for LLM-based Auditable Workflows (Samanta et al.) — arXiv:2608.15264
- TinyScientist: An Interactive, Extensible, and Controllable Framework for Building Research Agents (Yu et al.) — ACL Anthology 2025.emnlp-demos.41
- WaitGPT: Zero-shot Interactive Data Analysis (Xie et al., UIST 2024) — arXiv:2408.01703
- LangGraph: a low-level orchestration framework for stateful agents — 官方文档