Dr. Claw：把命令行编码代理变成可审计的 AI 科研工作台

导语

当命令行编码代理已经能够读写文件、运行工具并维持较长会话时，AI 做科研的瓶颈未必还在“能不能执行任务”。更现实的问题是：研究计划散落在聊天窗口，代码和数据留在终端，写作又转移到另一套环境；一旦过程出错，研究者很难准确知道哪些决定由人做出、哪些步骤由模型完成，也难以从中断处继续。

Dr. Claw 的思路，是把现有编码代理放进一个面向科研的工作空间，而不是再训练或发布一个新的全自动智能体。项目开源于 GitHub，定位是可控、可审计的人机协作层。

核心要点

• 包装现有执行器：Dr. Claw 可以围绕 Claude Code、Codex、Gemini CLI 等命令行编码代理工作。它的主要创新不在底层模型，而在上层的任务组织与过程管理。
• 把研究过程结构化：系统使用任务图和持久化状态对象，将规划、执行、检查与写作串联起来。研究进展不再只存在于一次性对话上下文中，而能以更明确的状态被保存和恢复。
• 沉淀可复用技能：技能库用于整理常见研究步骤和操作方式，帮助后续任务复用经验，也让 AI 的执行边界更容易被人理解和控制。
• 保留人类决策：Dr. Claw 强调 human-in-the-loop。研究者可以参与任务拆解、过程判断和异常处理，而不是把整个研究流程交给不可见的后台代理。
• 支持多执行器协同：不同执行器可以被纳入同一工作流，使任务分工与结果衔接更清晰。

评估与意义

项目通过交互式三视图场景和失败恢复演示展示工作方式，并将其与使用同一后端执行器的裸命令行代理进行比较。这样的对照重点并不是比较两个不同模型，而是观察任务图、状态对象和技能库构成的编排层是否带来额外价值。素材显示，在执行器保持一致的情况下，Dr. Claw 的研究完整性更高，同时能够保留可审计、可恢复的流程轨迹。

这项工作的价值，在于把“更强的智能体”问题转向“更可靠的工作流”问题。对科研而言，可追踪性不仅方便复盘，也关系到结果能否被解释、复现和继续推进。Dr. Claw 仍不是对科研质量的自动担保：工作流能记录决策，却不能替研究者验证每个结论。但它提供了一种实用方向——让 AI 负责执行和协助，让人类保留对目标、证据与关键判断的控制权。

来源：Hugging Face Daily Papers