每年有数百万篇新科学论文发表，远超个人所能阅读的极限。 

对科研人员而言，挑战不在于获取知识，而在于寻找、解读和整合知识的艰巨任务。突破往往诞生于已知领域的边缘，而研究人员却将大量时间耗费在寻找边界之上，而非突破边界。

Consensus⁠（在新窗口中打开） 这款拥有超 800 万用户的研究助手应运而生，旨在改变这一现状。该平台由 Christian Salem 和 Eric Olson 共同创建，能够检索、阅读并整合来自逾 2.2 亿篇经同行评审文献的内容。其最新功能 Scholar Agent 是基于 GPT‑5 和 Responses API 构建的多代理系统。该系统模拟研究人员的真实工作模式，帮助他们在数分钟内完成从提出问题到得出结论的全过程，将原本需要数周的工作大幅压缩。

但其目标不仅仅是加速研究进程，更在于加快科学发现之路。Salem 表示：“当科学更易于获取时，才能推动进步。我们的使命是让全球研究人员都能够发现、信任并运用证据。”

Consensus 的初始版本如同科学领域的垂直搜索引擎：收录学术论文索引，检索相关结果，并生成带有引证依据的摘要。但仅有搜索功能还远远不够。 

Salem 指出：“研究不仅仅是查找文献，还包括解读数据、对比发现、建立观点关联。科研人员花在搜索、阅读和解读过往知识以开展合适研究的时间越多，他们真正用于发现和开展原创研究的时间就越少。”

因此，团队开始围绕新理念重构 Consensus：打造名为 Scholar Agent 的多代理系统，其工作方式完全模拟人类研究员。

该系统基于 GPT‑5 和 Responses API 构建，现可协调运行多个代理工作流程：

每个代理仅承担有限职责，这种设计既能保持推理精准度，又能最大程度减少幻觉现象。该架构还赋予 Consensus 自主判断何时不予回复的能力：如果没有相关研究达到其质量阈值，助手会直接告知。

Salem 表示：“通过将工作流程分配至不同代理，我们既降低了错误率，又让系统变得更为规范。单个代理无需承担过多责任，这被证实是确保可靠性的关键所在。”

这种方法被团队称为“背景信息工程”，其核心在于生成回复之前先收集合理证据。每个回复都配有“背景信息包”，这是一个结构化资料集，包含原始研究的论文、元数据及关键发现。

Salem 说道：“我们不希望研究人员把时间耗费在反复核实每个论断上。如果系统无法用真实证据支撑结论，它绝不会凭空捏造。”

Consensus 从 Chat Completions 接口迁移至 Responses API，以支持其多代理路由架构。这一转变既提升了系统可靠性又优化了成本效益，使团队能更精细地控制子代理调用。凭借 GPT‑5 的长背景信息推理能力和可靠的工具调用功能，这一选择显得顺理成章。

初期评估验证了这一决策的正确性：GPT‑5 在工具调用准确性和规划稳定性方面均优于 GPT‑4.1、Sonnet 4 及 Gemini 2.5 Pro。这使得 Consensus 团队能够减少对提示词技巧的关注，转而专注于构建直接映射研究流程的代理行为。

自创建之初，Consensus 便以出乎意料的方式进入市场。团队没有通过机构进行营销，而是直接聚焦真正有研究需求的人群：需要即时答案的学生、教师和临床医生。这种直达研究人员的定位塑造了产品设计理念并推动了快速增长。

Salem 表示：“人人都说直接面向消费者这一模式在学术界行不通，但 AI 改变了这一切。人们不再等待层层审批，而是直接采用行之有效的方法。”

这一决策塑造了产品基调与增长曲线。Consensus 不像传统学术工具，反而更像现代消费级应用：快速上手、直观设计、对话式界面。它通过校园和实验室的口碑传播迅速普及。

研究生和博士生成为首批核心用户，随后是教师和私营机构研究人员。接着临床医生也开始使用 Consensus，以获取其领域的最新证据。 

Salem 坦言：“我们最初并非将医生作为目标群体，但他们与研究人员有着相同的需求：快速获取可靠证据。”

该公司近期已与 Mayo Clinic 的医学图书馆达成合作，并刚刚推出专为临床证据检索设计的“医学模式”新功能。

过去一年间，Consensus 实现迅猛扩张，全球研究人员用户突破 800 万，营收增长达八倍。

这种增长并未改变产品的核心追求，所有功能仍围绕可验证、低幻觉的回复展开。团队重资投入评估流程，用于检测各代理之间的准确性、引文可追溯性及风格一致性。

Consensus 的架构有意采用模块化设计，只为在扩展或升级模型时，能够接入可复现实验、生成图表或运行统计分析的新代理。

Salem 表示：“我们正在打造研究人员在快节奏时代真正需要的助手。模型不断改进，系统也随之发展，科学探索的步伐也因此加速。”