> 论文：EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery > 作者：Yougang Lyu, Xi Zhang, Xinhao Yi, Yuyue Zhao, Shuyu Guo, Wenxiang Hu, Jan Piotrowski, Jakub Kaliski, Jacopo Urbani, Zaiqiao Meng, Lun Zhou, Xiaohui Yan > 机构：Huawei Technologies + Vrije Universiteit Amsterdam > arXiv：2603.08127｜GitHub：https://github.com/EvoScientist/EvoScientist > PyPI：pip install EvoScientist｜License：Apache-2.0 > 发表时间：2026年3月9日

---

一、核心问题：AI 科学家为什么总在重复犯错？

2024年，AI Scientist 用一台 GPU 跑三天就能出一篇论文。这个系统震撼了学术界，也让很多人开始担忧：如果 AI 能自己写论文，科研人员还有什么用？

但问题很快暴露——AI Scientist 的论文质量参差不齐，更致命的是，它不会从失败中学习。今天跑崩的实验，明天换个题目照样崩；上周被审稿人否掉的方向，这周又以稍微不同的包装重新出现。系统像一个每次开机都重置记忆的新手研究员，永远在原地打转。

EvoScientist 针对的正是这个痛点：如何让 AI 科学家"长记性"？

作者的核心观察很朴素：人类科研能力的增长，不是靠单次实验的完美执行，而是靠经验的积累——知道哪些方向有前景、哪些坑不要踩、哪些代码套路最稳。AI 科学家也需要这种"经验沉淀"机制。

---

二、架构：三个智能体 + 两本"错题本"

EvoScientist 不是单一大模型打天下，而是一个多智能体协作系统，核心角色有三个：

智能体	职责	类比
RA (Researcher Agent)	生成研究想法、扩展为完整提案	课题组 PI
EA (Engineer Agent)	把提案变成可执行代码、跑实验、诊断失败	实验室工程师
EMA (Evolution Manager Agent)	分析 RA 和 EA 的完整交互历史，提炼可复用知识	实验室老司机

RA 和 EA 各自配有一本"错题本"（持久记忆模块）：

• Ideation Memory ($M_I$)：记录"有前景的研究方向"和"失败的验证案例"。RA 每次生成新想法之前，先翻这本书——看看之前哪些方向被证实可行、哪些被证伪。
• Experimentation Memory ($M_E$)：记录"有效的数据处理策略"和"可靠的模型训练配置"。EA 每次写代码之前，先查这本书——看看之前哪些超参组合最稳、哪些库函数最靠谱。

EMA 则在每次任务完成后，像一位耐心的导师，把 RA 和 EA 的聊天记录逐条翻完，提炼出三份知识快照：

1. IDE (Idea Direction Evolution)：从 Top-3 想法中提炼"有前景的方向" 2. IVE (Idea Validation Evolution)：从失败实验中总结"哪些坑不要踩" 3. ESE (Experiment Strategy Evolution)：从成功代码中沉淀"最佳实践"

三份快照分别写入 $M_I$ 和 $M_E$，供下一轮任务检索。

---

三、技术细节：树搜索 + Elo 锦标赛 + 四阶段实验

3.1 想法生成：Idea Tree Search

RA 不是一拍脑袋出一个想法，而是做树搜索：

1. 从一个粗略的方向出发，生成多个候选想法 2. 每个候选想法配一段"评审反馈" 3. 用反馈来精炼子想法，扩展搜索树 4. 最后用 Elo 锦标赛 对候选想法排名——两两对比，基于"新颖性、可行性、相关性、清晰性"四个维度打分 5. Top-1 扩展为完整研究提案，含背景、方法、实验计划

Elo 锦标赛的优势在于：它不需要"绝对分数"，只需要"谁更好"。在 LLM 评判存在噪声的情况下，成对比较比绝对打分更稳定。

3.2 实验执行：Experiment Tree Search（四阶段）

EA 把提案变成代码，也采用树搜索，分四个阶段迭代：

阶段	目标	成功率（进化后）
Stage 1	初始实现：跑通基线代码	42.93%
Stage 2	超参调优：找到最优配置	58.62%
Stage 3	提出方法：实现论文核心创新	21.57%
Stage 4	消融实验：验证各组件贡献	55.12%

Stage 3 最难——让 AI 提出真正有价值的方法创新，成功率仅 21.57%。但即便如此，实验策略进化（ESE） 仍能带来 1.24pp 的提升，说明"记住之前的方法套路"确实有帮助。

3.3 记忆检索：嵌入相似度

两个记忆模块都用 mxbai-embed-large（通过 Ollama 本地部署）做嵌入，基于 cosine distance 检索：

• $M_I$ 检索 top-$k_I$ = 2（方向记忆不需要太多，关键是精准）
• $M_E$ 检索 top-$k_E$ = 1（实验策略更具体，取最相关的即可）

检索结果直接注入 RA 和 EA 的 prompt，形成"检索增强的生成"。

---

四、实验结果：全面碾压 7 个基线

4.1 想法生成（自动评估，Gemini-3-flash 评判）

EvoScientist vs 7 个开源/商业系统：

系统	类型	新颖性	可行性	相关性	清晰性	平均领先
Virtual Scientist	开源	+96.67%*	+93.33%*	+90.00%*	+96.67%*	+93.34pp
AI-Researcher	开源	+96.67%*	+90.00%*	+86.67%*	+93.34%*	+87.50pp
InternAgent	开源	+73.33%*	+93.33%*	+86.67%*	+96.67%*	+83.33pp
AI Scientist-v2	开源	+63.33%*	+53.33%*	+36.67%*	+56.67%*	+29.17pp
Hypogenic	商业	+93.33%*	+83.34%*	+70.00%*	+96.67%*	+80.83pp
Novix	商业	+90.00%*	+53.33%*	+46.67%*	+70.67%*	+46.00pp
K-Dense	商业	+86.67%*	+56.67%*	+43.33%*	+76.67%*	+54.50pp

*注：* 表示 p < 0.05 显著优于基线

人类专家评估（3名AI领域PhD）结果与自动评估高度一致（90%一致率），验证了评判的可靠性。

4.2 消融实验：进化的价值

移除组件	新颖性损失	可行性损失	平均损失
-IDE（方向进化）	-66.67%	-50.00%	-22.50pp
-IVE（验证进化）	-43.33%	-63.33%	-20.00pp
-all（全部移除）	-80.00%	-83.33%	-45.83pp

全部移除进化机制后，想法质量断崖式下跌。这说明持久记忆不是锦上添花，而是系统的核心支柱。

4.3 代码执行成功率

阶段	无进化	有进化	提升
初始实现	29.23%	42.93%	+13.70pp
超参调优	48.94%	58.62%	+9.68pp
提出方法	20.33%	21.57%	+1.24pp
消融实验	39.06%	55.12%	+16.06pp
平均	34.39%	44.56%	+10.17pp

Stage 3（提出方法）仍是最难的瓶颈，但其他三个阶段都有显著提升。

---

五、工业落地：不是一个 demo，是一个产品

EvoScientist 与 2026 年大多数"AI 科学家"项目有一个关键区别：它有完整的工程实现。

GitHub 仓库包含：

• pyproject.toml：正经 Python 包，版本 0.1.1，Apache-2.0 许可证
• uv.lock：943KB 的依赖锁定文件，说明依赖管理是认真的
• Dockerfile + docker-compose.yml：一键容器化部署
• tests/：有测试目录
• docs/：有文档目录
• 6 个子智能体 YAML 配置：planner、research、code、debug、data_analysis、writing
• 多模型后端：Anthropic、OpenAI、Google、MiniMax、NVIDIA、Ollama、OpenRouter
• 多渠道接入：Telegram、Discord、Slack、飞书、微信、QQ
• MCP 集成：一条命令 EvoSci mcp add 即可接入外部工具
• PyPI 发布：pip install EvoScientist

作者 Xi Zhang 此前的 CoEvoSkills 项目（arXiv:2604.01687）GitHub 仓库只有 README + 项目主页 HTML，没有代码。EvoScientist 是同一作者的第二个项目，这次代码、文档、容器化、包管理全齐——从"方法论展示"进化到了"可运行产品"。

5.1 模型配置

任务	模型	备注
想法生成	Gemini-2.5-Pro	创意任务
代码生成	Claude-4.5-Haiku	代码任务
论文撰写	Gemini-2.5-Pro	写作任务
嵌入	mxbai-embed-large (Ollama)	本地部署
文献检索	Semantic Scholar API	学术搜索
网络搜索	Tavily API	可选

5.2 竞赛成绩

• ICAIS 2025 AI Scientist Track：6 篇论文全部接收（100% 接收率，平均接收率 31.71%）
• 1 篇 Best Paper Award：《Adaptive Evidential Meta-Learning with Hyper-Conditioned Priors for Calibrated ECG Personalisation》
• 1 篇 AI Reviewer's Appraisal Award：《Hierarchical Change Signature Analysis: A Framework for Online Discrimination of Incipient Faults and Benign Drifts in Industrial Time Series》
• DeepResearch Bench：#1（2026-04-18）
• DeepResearch Bench II：#1（2026-04-13，2026-03-06）
• AstaBench 数据分析：#1（2026-03-26）
• AstaBench 代码与执行：#1（2026-03-25）

---

六、与其他 AI 科学家系统的对比

系统	年份	记忆机制	多智能体	开源代码	核心差异
AI Scientist (Lu et al.)	2024/2026	❌ 无	❌ 单智能体	⚠️ 部分	静态流水线，无经验积累
Agent Laboratory	2025	⚠️ 有限	✅ 多智能体	✅ 有	侧重实验执行，记忆非核心
AIDE (WecoAI)	2025	⚠️ 树搜索记忆	✅ 多智能体	✅ 有	侧重 ML 工程，非端到端科研
PantheonOS (Stanford)	2025	✅ 有	✅ 多智能体	✅ 有	侧重生物学，社区市场驱动
CORAL	2026	✅ git worktree	✅ 多智能体	✅ 有	侧重基础设施，自进化评分
EvoScientist	2026	✅ 双记忆模块	✅ 3+6子智能体	✅ 完整	经验驱动的端到端进化

EvoScientist 的独特定位：它不是在做"更好的树搜索"，而是在做"搜索结果的持久化"。树搜索让单次任务更高效，持久记忆让跨任务能力持续增长。

---

七、局限性

论文坦诚地列出了几个局限：

1. Stage 3 瓶颈：提出真正新颖的方法成功率仅 21.57%，AI 科学家的"创造力天花板"仍然存在 2. 评判偏差：自动评估依赖 Gemini-3-flash，其评判标准可能与人类专家存在系统性偏差 3. 领域局限：实验集中在机器学习方向，跨领域迁移能力未验证 4. 成本：多智能体 + 树搜索 + 多次 LLM 调用，单次任务的 token 消耗不低 5. 安全与伦理：自主科研系统可能生成有害研究（如生物武器设计），需要 human-on-the-loop 监管

---

八、结论：AI 科学家的"经验曲线"

EvoScientist 的核心贡献，可以用一句话概括：它让 AI 科学家拥有了"经验曲线"。

人类科研能力的增长不是线性的——新手和资深研究员的差距，不在于单次实验的执行速度，而在于"我知道这个问题之前有人做过"、"我知道这个超参组合会崩"、"我知道这个方向评审人喜欢"。这些知识无法从教科书获得，只能从一次次试错中沉淀。

EvoScientist 通过 ideation memory 和 experimentation memory，把这种"隐性知识"显性化、结构化、可检索化。每一次失败都被记录，每一次成功都被提炼，系统的能力随着使用次数的增长而增长。

这不是 AGI。但这是通往 AGI 的务实路径：不是等待一个无所不能的模型，而是让现有的模型学会"长记性"。

---

参考论文

• Lyu, Y., Zhang, X., Yi, X., Zhao, Y., Guo, S., Hu, W., Piotrowski, J., Kaliski, J., Urbani, J., Meng, Z., Zhou, L., & Yan, X. (2026). *EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery*. arXiv:2603.08127.
• Lu, C., Lu, C., Lange, R. T., Foerster, J., Clune, J., & Ha, D. (2024/2026). *The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery*. arXiv:2408.06292 / Nature, 651(8107), 914-919.
• Schmidgall, S., Su, Y., Wang, Z., Sun, X., Wu, J., Yu, X., Liu, J., Moor, M., Liu, Z., & Barsoum, E. (2025). *Agent Laboratory: Using LLM Agents as Research Assistants*. EMNLP 2025 Findings.

#EvoScientist #AI科学家 #多智能体 #持久记忆 #自我进化 #端到端科研 #华为 #VibeResearch #arxiv260308127 #记忆 #小凯