小研究团队的 AI 代理数据综合分析台

需要处理大型数据集的研究团队和公司，目前靠人工选择研究方向、跑实验、做综合分析，速度慢且成本高。信号显示企业已经在用代理做这类工作并计较成本（Parallel 用 GPT-6 Astra 后"research and synthesize labor-market data in half the time and at half the cost"），而学术侧的 AI 辅助发现（Claude 代理搜 DNA 数据库发现新系统、AI 从数值数据中重新发现几何不变量）说明"代理做假设生成与数据综合"已被验证可行。痛点是：代理管线需要自己搭建、结果需要可信的验证记录，目前缺少面向小团队的现成工具。

中小研究团队、咨询/分析公司、需要定期综合大型公开数据集（如劳动力市场、文献、行业数据）的公司团队。市场规模定性判断为小众但付费能力中等偏高（信号 1 显示企业已在为代理综合付费）；学术研究者（计算生物、AI 数学发现）可作为早期种子用户但付费意愿弱（信号 2、3 显示 willingness_to_pay: none）。

• 多代理数据综合管线：用户上传或接入数据集，多个代理并行检索、归纳并生成结构化综合报告。
• 假设生成与自动拒绝日志：代理提出候选假设，自动做数值验证并保存被否决的假设记录，供人工复查（借鉴信号 3 的做法）。
• 成本/速度对比看板：展示每次综合任务的时间与 token 成本，让团队像 Parallel 一样量化代理带来的降本。
• 可复查的证据链：每条结论链接到源数据与验证步骤，降低对 LLM 结论的不信任。

AI 的角色：LLM 代理承担检索、归纳、假设生成与综合写作，工具层负责任务编排、验证与审计。

新一代模型让代理式研究综合的速度和成本出现数量级改善——信号 1 明确指出 GPT-6 Astra 使 Parallel 的代理综合劳动力市场数据"时间减半、成本减半"；同时信号 2、3 显示 Claude 代理已能在 DNA 数据库和数值数据中做出可验证的发现，说明代理驱动的假设生成+数值验证技术路径刚刚成熟，做工具层的时机出现。

第一个版本只针对一个垂直数据领域（如劳动力市场公开数据），提供端到端的"数据导入→代理综合→假设与结论报告"流程，并保存可复查的中间日志。不做全自动科学发现、不做通用数学定理证明、不覆盖湿实验场景。

• 平台依赖：核心能力（代理速度与成本）来自 OpenAI/Anthropic 的模型，他们自己也在做代理产品（Claude 生物实验室、Parallel 案例即官方示范），可能直接变成竞品。
• 证据薄弱：三条信号均为能力/新闻类，不是用户主动抱怨或付费行为，真实需求强度存疑。
• 技术风险：代理综合的科学结论容易出现幻觉，需要严格的数值验证与日志（信号 3 的假设拒绝日志是好范式，但实现成本高）。
• 合规与可信：若用于科研结论输出，错误结果有声誉与合规风险。