人工智能正在迅速改变知识生产的方式。在传统的量化研究中，检索文献、清理数据、运行模型、撰写论文，每一步都由研究者手动操作软件逐项完成。随着人工智能的发展，生成式工具以对话框为入口，能就研究者的提问给出文字回答，可以帮助研究者梳理思路、研读论文、补全代码和订正笔误等。如今的智能体则更进一步以大模型为内核，能够围绕一个研究目标自动拆分步骤，调用命令行工具，从“回答问题”走向“完成工作”。

　　与一般的生成式工具相比，智能体的不同在于它能围绕一个研究目标自主拆分任务，并在文献数据库、网页、表格、统计软件、代码环境与写作工具之间往返调用。从文献初筛、资料整理、访谈转写、数据清理、初步编码、程序编写、结果呈现到初稿撰写，这些原本需要研究者或研究助理逐项完成的环节，都可能因此被重新组织。这既是研究效率的提升，也意味着社会科学知识生产的组织方式正在变化。

　　“干活的学生”与“干活的导师”

　　智能体促进社会科学研究大致有两种方式。一是“加速”。训练有素的学者把检索、清理、运行、制表一类重复性的执行工作交给智能体，自己专注于方向把控与质量把关，无需再亲自操办烦琐的步骤。在这种分工里，智能体更像一个“干活的学生”：其核心机制是委托重复劳动，人负责定方向、把质量，智能体负责执行。研究周期越长、流程越繁复，这种省力就越明显。此时，智能体如同诸葛亮的“木牛流马”，替社会科学家驮起科研中的体力活。

　　二是“赋能”。此时，使用者可能对要做的事情不太熟悉。借助智能体，过去需要长期浸润才能领会的学科知识、研究范式与编程语言，如今也能较快上手。此时智能体像是一位“干活的导师”：它不只替人做事，还能提供指导。它自身的知识库本是有限的，但只要喂给它足够的材料，比如学科顶刊的优秀论文，它就能在“后天”习得更多，从而提供更贴近学科规范的成果和指导。

　　两相对照，“加速”就像是导师指导AI学生，而“赋能”就像是学生请教AI导师；两者的关键区别在于，研究者能否独立评估智能体的产出，并据此调整研究方向。需要注意，这里面的师生关系，并不是一成不变的。比方说，大学教授有很强的学术能力，但这不代表工作中全程都担任导师角色——当他们需要了解一些数据资料或是查阅论文时，智能体就能反过来起到“临时导师”的作用。当然，随着科研能力的提升，“加速”的场景会越来越多；但是学海无涯，“赋能”仍然不可或缺。

　　研究技能的迁徙

　　研究者往往需要多年训练才能真正入门一个学科。在智能体时代，大学生是否还需学习所有这些科研技能？新技术不一定直接消灭旧技能，而是改变它的位置与价值，形成一种“研究技能的迁徙”。回顾历史，新技术对技能的影响主要有以下几种，这对于我们理解智能体的影响或许有所帮助。

　　旧技能的第一种归宿是弱化。在这种情况下，技能退出日常使用，或彻底消失，如珠心算之于计算器、计算尺之于电子表格；或退为少数人钻研的技艺，如硬笔书法、荒野求生。在科研中，最可能走向这一步的，是繁复的基础技能。批量下载文献、整理文档、基础编程、文字校对等，越是机械重复的工作，越容易被自动接管。

　　第二种归宿是共存。旧技能与新技术长期并存、各司其职，即便机器更快更省，人亲手完成这件事本身仍被珍视，如电影中实景与特效的结合、机器人和人类共同表演舞蹈。在研究中，最可能共存的，是依赖身体在场与关系建立的技能，如田野调查、深度访谈、参与式观察等。智能体可以转写、整理与初步编码，却替代不了研究者在现场对关系、语境与经验的体认。

　　第三种归宿是提升。所谓提升，并不是旧技能原样保留，而是工具接管操作层面的工作后，人的能力重心上移到问题界定、流程设计、结果解释与质量控制。前文的“加速”与“赋能”，大致可以在这方面有所体现。在研究中，最可能走向提升的，是可被工具承接执行、人随之上移到设计与判断的技能，像是编程与数据分析、文献综述、图表与写作表达。比如说，智能体已能自动写出编程代码，但研究人员更需要有产品经理的思维，明白怎么逐步规划统计流程。

　　第四种归宿是新生。有时新技术也会催生出前所未有的新产业与新岗位，正如汽车催生司机。在科研中，最可能新增的，是围绕人机协作而生的能力。在智能体时代，研究者还需要掌握任务拆分、工具调度、过程留痕和结果审计等新能力。这些过去不存在或不重要的技能，正在逐渐变得关键。

　　归结起来，机械性的搜集、整理、基础编程与文章润色工作越来越容易被自动化。科研人员需要像秋季的候鸟，逐步迁徙到新的沃土。在这片沃土上，更宝贵的技能或许是提出值得研究的问题、界定核心概念、理解社会语境、驾驭研究方向，以及为科研成果承担责任。当“合格的产出”越来越廉价，大模型和智能体遍地开花，真正稀缺的，恰是能提出问题、把控方向并能为学术成果背书的社会科学家。

　　推动学科迈向高质量发展

　　近年来，智能驾驶技术也在持续进步。在行业内，现阶段的主流仍是L2级“组合驾驶辅助”，即驾驶人仍须持续监督系统并保持接管能力。科研中的智能体应用也可作类似理解。AI 工具可以辅助检索、起草和润色，但研究者不能因此免除责任。研究者仍应核实事实、核对引用，并对研究成果的真实性、准确性和完整性负责。

　　社会科学研究既要借助智能体提速，也要重视科研安全。假如人人都用智能体不经思考地产出论文，那么社会科学界就会被AI产品吞没，甚至虚假信息横行。所以说，提出问题、建构概念、行文思路等核心环节不可外包；文献、事实、数据、模型和推断链条必须核验；资料初筛、格式整理、代码搭建和初稿撰写等则可以协作。流畅完整的输出不等于正确，只有明确主导、核验与协作的边界，人机分工才能提升而非损害研究质量。

　　因此，未来研究者不仅要会使用工具，更要能提出问题、调度智能体、核验研究过程，理解方法边界与社会语境，并重视隐私保护和学术诚信等问题。学科共同体也应建立有关AI使用披露、过程留痕、结果可复现和责任归属的规范。归根到底，智能体带来的不应只是更快地生产论文，而应是更好地理解社会、更认真地回应现实。智能体时代真正值得期待的，不是让机器替代社会科学家，而是让研究者从重复劳动中腾出更多时间和心力，走向现实、理解他人，并回答更重要的问题。

　　（作者系上海纽约大学应用社会经济研究中心研究员）