agent 会查文献吗？会种地吗？两篇论文都试了

agent 在聊天框里已经很强，真放到专业工作流里成色如何？10 月 1 日的两篇 arXiv 论文分别在科研情报与农业物理控制两个垂直场景做了实测，一盆冷水一个样板，都很有信息量。

ScholarCatalyst：科研灵感检索，agent 暂时不及格

做研究最贵的直觉之一，是知道该读谁的论文。ScholarCatalyst（arXiv:2610.02202，14 位作者）把这件事做成了基准：请 207 篇近期计算机论文的 184 位一作，标注哪些候选论文推动或本可以推动自己的项目并给出理由，任务设定为在项目启动时的文献范围内把这些论文检索出来。

结果给 agent 热泼了冷水：agent 式搜索的 Recall@20 只有 0.42，反而不如朴素的嵌入检索 0.48；最强的 agent（Claude Fable 5.1）也只做到 0.51。把半成型的想法连接到该读的先行研究，这种专家级检索直觉目前还不存在，作者据此呼吁新的训练方法。对做文献综述工具的团队，这个基准值得盯。

Mimir：把物理交给物理，把语义交给模型

Mimir（arXiv:2610.02038）挑的是另一极端：长周期物理控制。大多数 agent 研究是短回合任务，而灌溉是每天的决定与土壤水分动态相互作用、误差跨生长季累积、安全规则不许改写的世界。

Mimir 的架构是双时间尺度修复。快环：LLM 的每次灌溉提案先过结构化物理接口与确定性仿真器，检查、修订、限幅之后才允许执行。慢环：反复出现的失败模式被沉淀为持久原则，约束未来的提案，而物理模型与执行约束全程不可改写。跨站点、作物与年份的回溯评估里，Mimir 拿到参照中最低的聚合控制成本，灌溉用水比历史排程回放少约 51%。消融实验的三个否定句更有价值：去掉前瞻仿真、验证修订或持久上下文，成本都会变差；更大的 LLM 也并不单调地更有帮助。一句话总结：物理真相与执行权威留在数值机制里，语义推理只做提案。

放在一起读

一篇证明 agent 在知识检索上还差专家直觉，一篇证明物理控制里模型加机制分工就能打赢历史基线。同一个星期的两份样本，恰好框出了当前 agent 落地的真实边界：语义强的交给模型，讲究证据与安全的交给确定性机制。两篇均未附代码链接。