专业 Specialist：让科研任务各有专长

一份科研报告往往跨越几种工作：找文献、读证据、写代码、检查结果，再把发现组织成论述。它们需要不同的判断标准。检索时应尽量补齐来源，写报告时应克制新增未经核实的观点；负责实现分析的人，也需要有人从方法与可靠性的角度复核结果。

Specialist 将这些职责分开，并为每种角色准备指令、Skill 与工具范围。主 Agent 可以按任务需要调用合适的角色，把精力放在研究目标与综合判断上。对研究者而言，价值是减少重复交代工作要求，让分工和交付更清楚。

它和 MCP、Skill 的关系很直接：MCP 是工具，Skill 是方法，Specialist 是角色。 Specialist 本身不是新的执行环境，而是把“谁负责什么、可以采用哪些方法、能调用哪些工具”组合成可复用的职责单元。

预置角色只是起点

ScienceDiscovery 提供若干预置 Specialist，覆盖文献检索、证据提取、代码分析、结果评价、报告撰写以及部分材料设计任务。它们可以按需组合，不要求每次研究都启动完整团队。

例如，鸟类迁徙调研可以先由检索角色整理来源，再由证据角色保留鸟种、实验条件和结论边界，最后综合成报告；数据分析则更适合代码实现与结果评价分工。

预置 Specialist 的完整清单会随版本演进，见预置科研能力参考。

预置与自定义专业角色

预置角色的职责可以启用或停用。角色名称不会带来专业资格，多个角色也可能共享模型偏差；清楚的分工帮助你检查过程，而不替代科研验证。result-evaluator 是研究流程中的结果评价角色，与面向产物的 Reviewer 机制也不是同一个入口。

预置角色不可能覆盖每个实验室的流程。你可以创建自己的 Specialist，把研究范围、判断规则、交付要求与可用连接器组织起来。例如，一位专门核查队列筛选的数据助手，可以要求逐步记录纳入排除人数，并交付可复现脚本。

自定义角色使用现有运行环境与权限体系，不需要为了增加一个角色重新部署整套系统。需要专用工具或方法时，可以先接入 MCP 或导入 Skill，再组合进适用的研究流程。