Consensus Scholar Agent：使用 GPT-5 和 Responses API 的研究自动化

Consensus 推出了 Scholar Agent，这是一套基于 GPT-5 和 Responses API 的多代理系统，使研究人员能够在几分钟内合成同行评审文献。通过自动化学术论文的规划、搜索、阅读和分析，该平台将文献综述所需的时间从数周缩短至数分钟。

用于研究合成的多代理架构

Scholar Agent 通过采用协同的专用代理工作流，将 Consensus 从垂直搜索引擎转变为智能助理。这种模块化设计确保推理保持精准，并通过限制每个代理的范围来最大程度降低幻觉。

系统使用四个主要代理：

• Planning Agent：分解用户的查询并确定所需的操作顺序。
• Search Agent：扫描 Consensus 论文索引、用户私有库以及引用图谱。
• Reading Agent：对学术论文进行单篇或批量解读。
• Analysis Agent：合成最终结果，确定可视化结构，并撰写输出。

该架构实现了团队所称的“上下文工程”，系统在最终生成之前会组装一个“研究上下文包”——包含元数据和发现的结构化捆绑。如果没有符合质量阈值的相关研究，系统会被编程为拒绝回答，而不是捏造信息。

通过 Responses API 与 GPT-5 的技术实现

Consensus 将 Chat Completions API 迁移至 Responses API，以更好地支持多代理路由，从而提升了成本效率和可靠性。团队基于早期评估选择了 GPT-5，评估显示它在工具调用准确性和规划稳定性两个关键领域优于 GPT-4.1、Sonnet 4 和 Gemini 2.5 Pro。

此举使开发团队能够专注于将代理行为映射到实际的研究工作流，而不是优化提示词。

市场采纳与临床应用

Consensus 采用了面向消费者的直销模式，目标用户为学生、教师和临床医生，而非通过学术机构销售。该策略使平台在全球拥有超过 800 万研究人员，并在过去一年实现了 8 倍的收入增长。

关键里程碑包括：

• User Base：在研究生、博士候选人和教师中快速增长。
• Medical Mode：专为寻求临床证据的从业者设计的新功能。
• Institutional Partnerships：公司最近与梅奥诊所的医学图书馆签署了合作协议。

未来可扩展性

平台的模块化架构旨在随着模型能力的提升，集成新的代理。未来计划的功能包括能够复现实验、进行统计分析以及生成图表的代理。