约束非确定性：作为 DBMS 的 AI 驱动研究系统，实现可靠、非浪费、透明和协作的研究 [愿景]

进行研究的 LLM 智能体（提出想法、编写和运行代码、分析结果）已经可以将一项研究从研究问题带到图表，但不能完全被信任。连续两次提出相同的问题会返回不同的答案；智能体宣布一个没有执行产生的数字，而工具使用并不能防止这种情况，因为没有任何东西将智能体报告的内容与其工具返回的内容绑定；一个小的上游变化使下游结果静默地过时，无法列出哪些结果过时；智能体重新运行预处理并重写它已经生成的代码。我们认为这些失败有一个共同的根源：当今智能体循环的每一步都是一个随机的 LLM 调用，其内部状态没有人（包括智能体）可以检查。我们不是试图看穿 LLM，而是从数据库中吸取教训，数据库在没有被监视的情况下赢得信任，因为对定义良好的状态的确定性操作使其保证在构造上成立。我们提议以同样的方式组织一个研究项目。该项目生活在一个确定性的、版本化的数据流引擎中（实际上，是一个基于物化视图的查询计划），而 LLM 与用户一起，是一个只能编辑该计划的随机编译器。执行器从不调用 LLM；LLM 输出仅作为版本化的代码和数据进入，然后由执行器运行，任何断言的结果只有在有执行支持的情况下才能进入记录。在这个边界上的五个设计规则将熟悉的数据库机制，从版本控制和溯源到增量维护和基于成本的调度，转化为使研究可靠、非浪费、透明和协作的保证。本报告介绍了诊断、需求和设计；保证演练、原型和研究议程出现在正在准备的完整版本中。我们认为，LLM 应该是查询编译器，而不是执行器。