我觉得我发现了一个没人知道存在的行星。我用 Claude Code 找到的

科学有效性与验证

• 许多人对此印象深刻，但强调如果没有独立确认，它仍然只是一个候选体，而不是已确认的系外行星。
• 有些人坚持认为，同行评审本身并不充分；真正的验证需要对数据进行独立分析。
• 也有人反对仅因缺乏学术审查就将其否定，认为这种早期、“黑客式”的工作正符合本站精神。
• 据称，针对这颗恒星的 TESS 后续观测提案已经获批（项目 #100），但这是否算作“NASA 把望远镜对准了它”仍有争议；此前的说法被追溯为 AI 生成的摘要，而非原帖内容。

误报与方法论

• 评论者担心在原始天文数据上使用编码代理会产生误报；“数据处理中的幻觉”是个严重问题。
• 建议包括：用已知有行星的数据进行验证、注入合成信号，以及在打乱/噪声数据上运行管线，以观察是否会出现虚假检出。

AI 工具的使用

• 一些人认为这是 AI 辅助研究的绝佳范例，并推测会出现专门针对科学工作流和代理式循环训练的模型。
• 另一些人指出，如果人类能够定义清晰的统计标准，那么非“智能”的自动化也许就足够了；LLM 只是选项之一。

写作风格与“AI 垃圾”

• 大量回复批评文章的文风夸张、信息密度低，而且“很 AI”。
• 一些读者喜欢在文本看起来像 LLM 生成时得到提醒，这样就能避开；另一些人则厌倦了无休止的“这就是 AI”抱怨。
• 多条评论都提到，阅读冗长、泛泛的 AI 风格文本会让人认知疲劳，因此更偏好原始要点或转录稿。

公民科学 vs 协作

• 有些人觉得，一个人借助 AI 工具在家中做出有意义的工作令人振奋。
• 另一些人认为，直接参与 NASA/ESA 的公民科学项目会带来更好、更高效的科学成果和共同署名。
• 反驳意见强调，爱好不必一开始就以协作为前提，单人探索之后也仍然可以回流到机构性工作中。

为什么之前没被发现

• 解释包括：数据量巨大、计算能力限制，以及信号可能位于现有噪声阈值附近。
• 还有几条评论指出，“显而易见”的低垂果实常常会被错过，因为每个人都以为别人已经先摘走了。