Feynman AI 是什麼？它算終端機嗎？開源 AI 研究代理白話入門，跟 ChatGPT、Claude Code 差在哪

Feynman AI 是一套開源的「AI 研究代理」：你在終端機裡丟一個研究問題給它，它會自己去論文資料庫和網路找資料、讀完、寫成一份附引用來源的報告，再派另一個 AI 角色回頭核對每一條引用有沒有對上。終端機只是它住的地方，Feynman 本身是一支在終端機裡執行的程式，就像 Word 是一支在 Windows 裡執行的軟體。

這個問題是我們團隊最近被問到的：有人在網路上看到工程師用 Feynman 跑研究，畫面黑底綠字、還有一個大大的像素風 logo，第一眼以為是某種新的終端機。我們把官方 GitHub 專案的 README、說明文件和一千多行的 release notes 從頭讀了一遍，把它整理成給第一次聽到的人看的版本：它是什麼、怎麼運作、跟 ChatGPT 和 Claude Code 差在哪、誰適合用、怎麼開始試，以及用之前要先想清楚的風險。

先說名字：Feynman 很容易跟物理學家費曼、或是「費曼學習法」搞混。這篇講的是 GitHub 上那個由 Companion 團隊維護的 AI 工具，官方自己的一句話介紹是「The open source AI research agent」，也就是開源的 AI 研究代理。

Feynman AI 是什麼？一句話：住在終端機裡的 AI 研究小組

一句話：Feynman 把「找資料、讀論文、寫報告、核對引用」拆給幾個 AI 角色分工完成，你在終端機下一行指令，它把成果寫成檔案存在你自己的電腦裡。

用一個研究小組來想像最好懂。researcher 像跑圖書館的研究助理，負責把相關論文和網頁找回來；writer 像執筆的人，把整理好的筆記寫成文章；verifier 像核對腳註的編輯，一條一條打開來源確認真的寫了這句話；reviewer 像嚴格的指導教授，專挑沒有根據、推論過頭的地方。你是委託研究的老闆，只要把問題講清楚。

這裡說的「agent（代理）」，指的是會自己決定下一步、會動手使用工具的 AI 程式，跟只會一問一答的聊天機器人不一樣。如果 agent、context window 這些詞還不熟，可以先看我們整理的 老闆級 AI 用語對照表，五分鐘就能跟上。

會有這種工具冒出來，背景很好理解：用 AI 查資料的人越來越多，但大家越來越不敢全信。微軟 AI Economy Institute 的 2026 第一季報告指出，台灣生成式 AI 使用率達 31.8%，首度擠進全球前 20；同一時間，Stack Overflow 2025 開發者調查裡，不信任 AI 輸出準確度的人有 46%，比信任的 33% 還多，高度信任的只剩 3%。用得多、信得少，Feynman 想解的就是中間那段「怎麼讓 AI 給的研究結果查得到出處」。

Feynman 算終端機嗎？先分清楚終端機和跑在裡面的程式

不算。終端機是一個讓你打字下指令的視窗，Feynman 是在這個視窗裡執行的一支程式。

把終端機想成 LINE 的聊天視窗就好懂了：LINE 視窗本身不會幫你訂便當，你得加一個訂餐機器人，在視窗裡跟它講話。終端機也一樣，它只是個打字的地方；你在裡面輸入 feynman，才是把 Feynman 這個研究機器人叫出來。

大家會誤會，多半是因為它的啟動畫面。Feynman 一打開會用方塊字畫出一個超大的 feynman 字樣，左邊列出目前用的模型和四個 agent，右邊列出研究指令，看起來就像一個全新的軟體介面。下面這張是官方 GitHub 提供的執行畫面：

圖片來源：Companion-Inc/feynman 官方 README。視窗外框是一般的 macOS 終端機，框裡面整個畫面都是 Feynman 畫出來的。

終端機、Shell、CLI 工具、AI agent CLI 這幾個詞常常混著講，用一張表分清楚：

Feynman 屬於最後一類。它底層用的是開源的 Pi agent 工具包，Pi 本身就是一個寫程式用的 AI agent CLI，在 GitHub 上有超過 11 萬顆星。Feynman 的做法像是拿一台現成的車子底盤，改裝成研究專用車：加上查論文的工具、研究用的指令和四個分工好的 agent。官方文件也寫明它「跑在原版的 Pi 上」，從 v0.5.0 起不再修改 Pi 本身。

為什麼這類 AI 工具都愛住在終端機？因為 agent 要真的動手做事：開檔案、寫檔案、跑指令、下載資料。終端機是電腦上最直接的操作入口，不用另外做一套網頁介面就能做到這些事。代價是對不熟指令的人門檻比較高，這也是本篇後面會把安裝步驟一行一行寫出來的原因。想看這類 agent 框架怎麼選，可以接著讀 AI Agent 框架選型指南。

讓 AI 把一大堆原始資料讀完，交出一份整理好、有結構的文件，這個模式其實不限於論文。我們做過的 Meeting King 用的就是同一個思路，只是場景換成會議：自動錄 Google Meet，再用 AI 產出結構化的會議記錄，省掉會後聽錄音、打逐字稿的時間。如果你公司也有「資料很多、要有人整理成報告」的工作，可以跟我們聊聊。

Feynman 怎麼做研究？researcher、writer、verifier、reviewer 的分工

先講結論：它把一份研究拆成規劃、找資料、寫草稿、加引用、審查、交付幾個步驟，每一步的中間產物都寫成檔案，所以事後查得到每一句話是從哪裡來的。

以最常用的 /deepresearch（深度研究）為例，官方文件寫的流程是這樣：

最值得看的是它會依題目大小決定要派幾個 researcher。窄題由主 agent 自己查，比較型題目派 2 個，大範圍的題目派 3 到 6 個平行跑。這跟真實研究團隊一樣：小題目一個人做就好，大題目才拆給好幾個人。

writer 被刻意設計成沒有搜尋工具，這個細節很關鍵。AI 最常出事的地方，就是寫到一半「順手補一個看起來很合理的來源」。把寫作和找資料拆開，寫的人只能用已經查到的東西，引用則交給另一個角色獨立核對。

為什麼要這麼麻煩？因為 AI 編造引用已經是學術圈的現實問題。2026 年 2 月一篇分析 GhostCite 測了 13 個大型語言模型，請它們產生論文引用，每個模型都會編造，比例從 14.23% 到 94.93% 不等；同一篇研究也發現 AI 與資安領域會議論文裡，含無效引用的論文在 2025 年增加了 80.9%。另一份刊在《The Lancet》的分析更直接：檢查約 250 萬篇 PubMed 論文後，2026 年前七週每 277 篇就有 1 篇引用了根本不存在的論文，2025 年是每 458 篇 1 篇，2023 年是每 2,828 篇 1 篇。

verifier 和 reviewer 就是針對這個問題放進流程的兩道關卡。如果你平常用 ChatGPT、Claude 查資料，同樣的檢查邏輯也能自己做，我們在 AI 幻覺驗證 SOP 整理了五個步驟。

Feynman 的十個研究指令能做什麼？從文獻綜述到論文對程式碼稽核

最常用的是三個：`/deepresearch` 做深度研究、`/lit` 做文獻綜述、`/summarize` 摘要一份文件。其他七個偏向研究人員和機器學習工程師的需求。每個指令都能在 Feynman 裡用斜線輸入，也能直接在終端機打 feynman lit "題目" 這種寫法。

資料來源方面，官方 README 列出它會查 alphaXiv、Semantic Scholar、OpenAlex、arXiv、PubMed、Europe PMC、bioRxiv、medRxiv、Crossref、一般網路和 Hugging Face，也能讀你本機的 PDF 和文件。OpenAlex 和 Semantic Scholar 可以另外申請免費的 API key，避免跟大家擠共用的流量上限。

產出方面，每次研究都會在 outputs 資料夾留下研究計畫、草稿、加了引用的版本和最終報告，外加一份 .provenance.md。provenance 可以想成食品的產銷履歷：哪天做的、查了哪些來源、哪些採用、哪些被剔除、驗證狀態是什麼，全部寫在裡面。報告交出去之後，有人質疑某個數字，你可以直接翻履歷。

這裡要特別提醒一件事：網路上不少介紹還寫著 Feynman 有「論文排序（PaperRank）」和本機的 science workbench 網頁介面。這兩個功能在 2026-09-23 的 v0.4.0 版已經移除，官方在 release notes 的說法是要專心在研究流程本身，而且用關鍵字起頭的排序會漏掉經典論文，改由 /lit 和 /deepresearch 負責搜尋與排序。看第三方文章時，記得對照官方最新版本。

Feynman 跟 ChatGPT、Claude Code 差在哪？一張表看懂定位

差在「專心做哪件事」和「成果放在哪」：ChatGPT 是什麼都能聊的通用助理，Claude Code 專心讀懂和修改程式碼，Feynman 專心做有引用、查得到出處的研究。

如果你只是想快速知道某件事，ChatGPT 這類工具還是最省事；Feynman 的價值出現在「這份研究要交給別人看、別人會追問出處」的時候。它把每一步都落成檔案，換來的是可以稽核，代價是比較慢、比較耗 token。

它也能跟寫程式的 agent 一起用。官方提供一個「只裝技能（skills only）」的版本，不裝 Feynman 本體，只把它的研究技能和指令複製到 Codex 的 ~/.codex/skills/feynman，或 OpenCode 的 .opencode/skills/feynman，讓你在原本的 coding agent 裡也能叫出研究流程。技能包是什麼概念，可以參考我們寫過的 Claude Skills 完整指南；Codex 和 Claude Code 的差別在 Codex vs Claude Code 實測；開源 coding agent 的自架評估則在 OpenCode + Aider 實戰。

一般人和企業能拿 Feynman 做什麼？適合與不適合的情境

適合「要讀很多資料、而且結論要能交代出處」的工作；要即時答案、或需要專業背書的決策，就不適合單獨交給它。

對一般上班族來說，如果需求是整理會議、讀報告、做筆記，Notion AI 或 NotebookLM 這類工具會更順手，我們在 AI 筆記術實測比較過。Feynman 的主場在研究和工程。

我們的判斷是：大多數中小企業不需要裝 Feynman，但很值得把它的流程設計抄回自己的 AI 工作流。它示範了三件事：找資料和寫報告分開做、引用交給獨立角色核對、每一步都留檔可以追。這三件事放在企業內部的知識庫、市場調查、投標資料準備，一樣成立。很多公司導入 AI 卡關，問題出在流程裡少了一個「回頭查證」的關卡，工具挑哪一個反而影響不大。

這也是我們自己在做的事。我們公司內部每天有 20+ 個 AI 流程在跑，寫這篇文章的流程本身就是類似的分工：一個階段負責查官方文件和數據，寫完後再用驗證腳本和檢查清單把關，每個外部引用都要確認發布時間。內部怎麼安排這些流程，寫在 恆遠內部 AI 工作流揭密。如果你想讓 AI 讀的是公司自己的文件，而不是公開論文，要看的會是 企業 RAG 知識庫架構。

怎麼開始試 Feynman？安裝、連接模型、跑第一個研究題目

三步：安裝、執行 `feynman setup` 連接模型、丟一個研究題目。以下指令都來自官方說明文件，目前最新版是 2026-10-13 發布的 v0.5.43。

第一步：安裝

macOS 或 Linux 在終端機貼上這行：

curl -fsSL https://feynman.is/install | bash

Windows 用 PowerShell：

irm https://feynman.is/install.ps1 | iex

官方安裝程式會下載一個自帶 Node.js 執行環境的完整套件，並在安裝前驗證檔案的 SHA-256 雜湊值，所以電腦上不用先裝 Node.js。Windows 另外要裝 Git for Windows，因為 Feynman 用 Bash 執行指令，沒有 Bash 的話研究跑到第一個指令就會失敗。已經有 Node.js 22.22 以上的人，也可以用 npm install -g @companion-ai/feynman 安裝。

公司電腦要注意一點：「把網路上的腳本直接丟給 bash 執行」是很多資安政策會擋的做法。比較穩的方式是鎖定版本號安裝，讓每台電腦裝到同一版：

curl -fsSL https://feynman.is/install | bash -s -- 0.5.43
feynman --version

第二步：連接 AI 模型

feynman setup

設定精靈會問你要怎麼連模型：用 OAuth 登入現有的 ChatGPT、Claude Max、Copilot 訂閱，或填 OpenAI、Anthropic 等服務的 API key。登入資料存在 ~/.feynman/agent/auth.json，只有你的帳號讀得到；如果把 key 設在環境變數裡，就不會寫進硬碟。

想讓模型跑在自己電腦上，可以接 LM Studio、LiteLLM、Ollama 或 vLLM。官方給的 Ollama 範例設定如下：

API mode: openai-completions
Base URL: http://localhost:11434/v1
Send Authorization header: No
API key / resolver: local
Model id(s): llama3.1:8b

官方也老實寫了：太小的本機模型常常會跳過多步驟的研究流程，直接在對話裡回一段話，不寫任何檔案；Ollama 預設的上下文長度只有幾千 token，也會造成同樣的狀況，要用 OLLAMA_CONTEXT_LENGTH=65536 ollama serve 這類設定拉大。本機模型要挑多大、硬體要準備多少，可以參考 Gemma 4 自架 vs 雲端評估。

第三步：跑第一個研究題目

mkdir my-research && cd my-research
feynman lit "RAG 評估方法"
feynman deepresearch "小型語言模型在客服場景的準確度研究"
feynman doctor

建議先開一個空資料夾再跑，因為 Feynman 會在目前資料夾寫入 outputs 和 papers。跑完打開 outputs 裡的 Markdown 檔就是報告，旁邊的 .provenance.md 是來源紀錄。遇到登入、模型或環境問題，feynman doctor 會檢查一輪並列出下一步該做什麼。

順手做：關掉遙測

Feynman 預設會傳匿名使用數據到 PostHog，內容包含執行的指令、工作流程名稱、用了哪些工具、token 數量，以及錯誤訊息和 stack trace。官方寫明不會傳你的提問、模型輸出、論文內容和工具參數，但錯誤訊息裡可能帶到專案裡的檔案路徑。在意的話，在 shell 設定檔加一行就能關掉，feynman status 可以確認目前狀態：

export FEYNMAN_TELEMETRY=off
# 或使用通用的關閉方式
export DO_NOT_TRACK=1

用 Feynman 前要知道的五個風險：資料、遙測、成本、改版速度、證據

先講結論：開源只代表軟體免費、程式碼看得到，私密和正確都還要你自己設計。一篇 2026-09-03 的獨立評論 wavect.io 的 Feynman 評估講得很直接，Feynman 預設情況下不會讓研究自動變得免費、私密或正確，「完全本機」只是一種可以做到的設定，大部分預設流程都會連網。

資料外流和金鑰保管這兩件事，跟其他 AI agent 工具是同一套功課。登入資料和 API key 都放在使用者目錄底下，跟 Claude Code 讀到 .env 的風險同類，做法可以參考 別讓 Claude Code 看到你的 .env；公司層級的部署資安則在 AI agent 部署資安指南。

Stack Overflow 同一份 2025 調查裡，有 87% 的受訪者擔心 AI agent 給的資訊不準，81% 擔心資料安全與隱私。Feynman 的引用核對處理了前者的一部分，後者就要靠使用的人自己設定。一般人用 AI 時該注意的個資、幻覺、著作權問題，我們整理在 用 AI 前該知道的 5 件事。

中小企業老闆該怎麼看 Feynman 這類 AI 研究工具

跟著教學跑一次 demo 不難，難的是把它變成公司每天在用的東西。Feynman 示範的「查資料、寫報告、獨立核對、全程留檔」這條流程，要套進公司內部，通常還差一層客製：資料來源換成你的文件和系統、權限要分清楚誰能看什麼、成果要接回你們平常用的地方。少了這一層，工具就只是工程師桌上的玩具。

想先盤點公司裡哪些流程適合交給 AI，可以從 AI 顧問服務 開始，我們會直接跟你說哪些值得做、哪些先放著。

Feynman AI 常見問題 FAQ