传统论文适合人类阅读，但科研过程远比最终文档复杂。大量失败假设、参数调整、环境差异和中间数据会在写作时被压缩，只留下能够组成完整叙事的成功路线。人类研究者可以依靠经验补足缺口，Agent 却很难仅凭 PDF 判断哪些步骤可以执行。

这也是论文问答工具容易停留在摘要层面的原因。它们能够解释文字，却无法确认实验环境是否匹配、代码能否运行，以及结论对参数变化是否敏感。要让 AI 真正参与研究，知识载体必须从静态文档扩展为结构化过程。

理想的研究材料应同时包含问题定义、假设树、数据版本、代码、环境、运行结果和失败记录。Agent 可以据此重建实验、比较分支，并在证据不足时返回前一步，而不是从一篇文档中猜测作者没有写出的细节。

这种结构也有利于人工复核。研究者能够看到 Agent 使用了哪些输入、修改了哪些参数、为什么放弃某条路线。可追踪过程比单独输出一个结论更容易发现错误，也更适合多人协作。

研究材料一旦包含运行环境和完整数据，体积、权限和长期兼容问题都会显著增加。不同领域还需要不同的数据结构，很难依靠一种格式覆盖所有实验。平台必须处理版本锁定、隐私数据和软件依赖失效。

因此，Agent 原生研究不会简单取代论文，而更可能形成双层结构：论文负责面向人类表达结论，可执行材料负责复现和继续探索。两者结合，才能同时保留传播效率与研究可信度。