【标签】 学习工作
【标题】 **【学习工作赛道】+**SciFlow Router
【正文】
0. 先和大家打个招呼吧 
-
你是谁： 我是一名在读研究生；
-
你是怎么用 TRAE 把 Demo 做出来的：SciFlow Router 从立项到当前可发布版本，全程在 TRAE 中完成。TRAE 承担的工作不是简单的"代码生成"，而是贯穿了 4 个关键阶段：
-
架构共创（前期 6-8 轮对话）：从最初"做一个 AI 写论文工具"的模糊想法，与 TRAE 反复迭代出最终架构——Tauri 2 桌面端（Rust 后端 + WebView 前端）+ 14 个垂直 Agent + 4 层记忆架构（working / episodic / semantic / procedural）+ SQLite + FTS5 + Blob 存储 + 知识图谱。每一层选择都给出取舍理由。
-
真实代码实现：14 个 Agent 全部在 TRAE 中生成，每个 Agent 都有 6-9 个真实 stage 流水线（不是 mock，stages 真实驱动 LLM 调用）。后端 Rust 1.83 + Tokio 异步、SQLx 事务、rusqlite FTS5、reqwest 流式 HTTP 客户端——这些非 trivial 的代码都是 TRAE 直接写出来的，包含注释与错误处理。
-
Bug 现场诊断与修复（最体现 TRAE 价值的环节）：
-
Vite HMR 1421 端口
ERR_CONNECTION_REFUSED→ 定位为 client 默认 ping HMR WS 端口，配置clientPort: 1420解决 -
React
Rendered more hooks than during the previous render→ 抓出条件return在useMemo之后违反 Rules of Hooks，把 hooks 全部上移 -
Each child in a list should have a unique "key" prop→ Fragment 改<Fragment key={i}> -
SQLite 函数签名重构后 examples 编译失败 → 一一对照新签名修正调用
-
Release 打包后
硬编码路径导致无法移植到其他电脑→ 改为SCIFLOW_SKILLS_ROOTS环境变量 + 跨平台 APPDATA 目录
-
-
桌面端打包验证：
cargo tauri build在 Windows 上生成 NSIS 安装包（5 MB）、MSI（7 MB）、单文件 EXE（18.5 MB）三种产物；用cargo check+tsc --noEmit静态检查 0 错误 0 警告 。
-
1. Demo 简介
-
是什么：SciFlow Router 是一个桌面端科研工作流智能调度系统——把"读论文 → 跑实验 → 写综述 → 申专利"四类核心任务，编排为可观测、可调度、可复现的 Agent 流水线，Tauri 2 桌面应用（Windows/macOS/Linux），单文件 18.5 MB 安装包，离线优先——SQLite 本地存储 + 可选本地 LLM（Ollama / vLLM），敏感课题数据不出本机。；
-
面向谁：AI 方向研究生 / 博士生：日常最大痛点是 4 类任务频繁切换工具，工业界 AI 算法工程师：复现 SOTA、写专利、做技术调研，跨领域研究者：从 CV 转向 NLP、从应用转向理论，不需要每次重新教 AI；
-
主要功能：功能 1：14 个垂直 Agent + 真实 N 阶段流水线
-
6 个核心 Agent：论文写作（9 阶段）/ 实验自动化（8 阶段）/ 文献检索（7 阶段）/ 专利生成（7 阶段）/ 调试诊断（6 阶段）/ 全流程编排（6 阶段）
-
8 个辅助 Agent：PDF 解析（3 阶段）/ 先验检索 / 隐私搜索 / 技能创建 / 代码审查 / 项目计划 等
-
关键点：每个 stage 真实驱动一次 LLM 调用，prompt 中带
[STAGE i/N] <stage_name>标识，LLM 输出的{"tool": "..."}JSON 块会自动执行
功能 2：4 层记忆 + 知识图谱
-
Working（当前会话上下文）/ Episodic（事件级，5 条种子会话）/ Semantic（6 条长记忆，含 fact / preference / summary / procedural 四类）/ Procedural（流程化记忆）
-
知识图谱 12 节点 + 17 条带类型边（AUTHORED / INVENTED / POWERED_BY / STUDIED_VIA），支持类型筛选、hover 高亮、点击详情
功能 3：端到端可观测
-
历史会话表（5 条 + 18 条消息，含 user / assistant / tool 三色角色）
-
实验日志（5 条真实实验：成功/失败/运行中，含 acc 指标）
-
工具沙箱：8 个白名单工具（Bash / 文件读写 / arXiv 检索 / Google Scholar / 代码执行 / PDF 解析 / Git 操作 / OCR 兜底）。
-
2. Demo 创作思路
-
灵感来源：我就是想做这个；
-
想解决的问题：科研工作者（特别是 AI 方向研究生）面对 4 类高频任务——读论文、跑实验、写综述、申专利——在工具栈、记忆、引用、过程四方面存在系统性碎片化：
-
工具碎片化：LLM（ChatGPT/Claude）+ 文献（arXiv/Zotero）+ 实验（PyTorch/Weights & Biases）+ 排版（Overleaf/LaTeX）+ 代码（VS Code/GitHub）——5+ 工具互不打通
-
记忆碎片化：每个工具都有自己的会话历史，但不互通；新会话零记忆，浪费 10-15 分钟交代背景
-
引用碎片化：论文引用靠人工管理，AI 写的段落引用的文献需要二次核对，幻觉引用是科研最致命的问题
-
过程不可观测：AI 写一段话，用户不知道它参考了什么、推理了什么、为什么这么写——过程黑盒 = 不可复现 = 不算科研产出；
-
-
为什么做这个方向：取舍 1：做"通用 AI 写作"还是"科研垂直工作流"？
-
通用方向（Notion AI / Craft AI）已经有巨头
-
科研垂直虽然 TAM 小，但用户痛点极深、付费意愿强、可形成壁垒（领域知识 + 工作流模板）
-
选择垂直
取舍 2：做"云端 SaaS"还是"本地桌面"？
-
科研数据涉及未发表论文、未公开实验、合规要求，云端是阻力
-
桌面端 + 本地 LLM（Ollama）= 数据不出本机 = 符合科研合规
-
选择桌面
取舍 3：做"单一 Agent"还是"多 Agent 编排"？
-
单一 Agent 写论文已经被 Cursor 之类做到极致
-
但科研从来不是单一任务：写论文要查文献 + 设计实验 + 验证结果 + 写专利，端到端工作流才是稀缺能力
-
选择多 Agent 编排
取舍 4：Agent stages 是"预设脚本"还是"真实驱动 LLM"？
-
预设脚本：固定 prompt + 固定输出 = 形式化但无智能
-
真实驱动：每个 stage 动态构造 prompt → 真实 LLM 流式响应 → 解析工具调用 → 真实执行
-
选真实驱动——这是 SciFlow 与其他"工作流工具"的本质差异。
-
3. Demo 体验地址（三选一）
-
安装包
-
https://my.feishu.cn/docx/IPEedJ0Qaow6jNxXBjacM0aMnrc
；
-
交互式可体验的HTML格式文件，请使用Zip格式打包上传到社区
demo.html (83.3 KB)。
4. TRAE 实践过程
-
清晰展示用 TRAE 完成 Demo 开发的完整流程；
-
附开发关键步骤截图（不少于 3 张）；
-
附关键任务对话的 Session ID（不少于 3 个），用于证明作品由 TRAE 开发完成.1224223392270683:636352b9d1fa891df20f250f6ef89ac2_6a2e275a2646330aeddc32f1.6a4f14dcc8e3ba7b402e9fc9.6a4f14db499f4951f1bae04a:Trae CN.T(2026/7/9 11:26:20).1224223392270683:3af9847f7748b67a1558663d84d34e6b_6a2e275a2646330aeddc32f1.6a4e5db0c8e3ba7b402e95be.6a4e5daf499f4951f1bae027:Trae CN.T(2026/7/8 22:24:48).1224223392270683:2417e09f96bc65c1e7b60576f0a20b86_6a2e275a2646330aeddc32f1.6a4e5a44c8e3ba7b402e9539.6a4e5a44499f4951f1bae026:Trae CN.T(2026/7/8 22:10:12).1224223392270683:7a971b3d3015aec7a24215a79d4b7266_6a2e275a2646330aeddc32f1.6a4e7425c8e3ba7b402e97a7.6a4e7424499f4951f1bae029:Trae CN.T(2026/7/9 00:00:37)。
5. 对应的报名审核通过的帖子链接
