《AI 科学家之觉醒：当机器始能自进化》

> 小贴士：本文所言「AI 科学家」，非谓机器人穿白大褂之于实验室中走来走去，乃指基于大语言模型（LLM）构建之智能体系统，能自主提出研究想法、设计实验、执行代码、撰写论文——恰如人类科学家之所为。

---

🤖 序章：科学发现之困境

昔者，阿基米德于浴缸中悟得浮力之理，牛顿见苹果落地而思引力之律。科学发现，自古以来便是人类智慧之专属领域。然则，科学发现之过程，实则充满艰辛与曲折。

试想，一位博士生欲开展一项研究，需历几许步骤？

其一，文献调研。于浩如烟海之论文库中，搜寻与研究主题相关之文献。此过程，短则数周，长则数月。且文献之多，日新月异，纵皓首穷经，亦难穷尽。

其二，想法生成。基于文献调研之结果，提出新颖且可行之研究想法。此步骤，需深厚之领域知识、敏锐之直觉、丰富之创造力。多数研究者，穷数年之功，方能提出一项值得发表之想法。

其三，实验设计。根据研究想法，设计具体之实验方案。需选择适当之数据集、基线方法、评估指标。此步骤，若设计不当，则后续所有努力皆付诸东流。

其四，代码实现。将实验方案转化为可执行之代码。此步骤，需娴熟之编程技艺，且需耗费大量时间调试代码之错误。

其五，结果分析。运行实验，获取结果，进行分析。若结果不如预期，则需返回第三步，重新设计实验；甚至返回第二步，重新提出想法。

其六，论文撰写。将研究结果整理成论文，投稿至学术期刊或会议。此步骤，需精湛之写作技艺，且需应对审稿人之 critiques。

其七，审稿响应。回应审稿人之意见，修改论文。此步骤，往往需反复数轮，方能最终发表。

综观上述七步，科学发现之全过程，短则数月，长则数年，甚至数十年。且其中任一步骤之失误，皆可能导致前功尽弃。

然则，人工智能之发展，尤其是大语言模型（LLM）之突破，为科学发现之自动化带来新之希望。

---

🧠 第一章：AI 科学家之萌芽

公元 2020 年前后，大语言模型（如 GPT-3、BERT）初露锋芒。彼时，众人皆惊叹于其文本生成之能力，然鲜有人思及：此等模型，能否用于科学发现？

设问：大语言模型，究其本质，乃一统计模型，凭海量文本训练而得。其所能为者，不过是预测下一词之概率分布。如此之模型，安能提出科学假设、设计实验、撰写论文？

答曰：大语言模型虽本质上为统计模型，然其于海量文本中学习所得之知识，已涵盖人类科学文献之大部分。且，借助提示工程（Prompt Engineering）之技，可引导大语言模型扮演各种角色——包括科学家之角色。

例证：若汝提示 GPT-4：「汝今为一位机器学习研究员，请提出一项关于大语言模型效率改进之研究想法」，则其产出之文本，往往颇具见地，甚至能提出新颖之想法。

然则，单凭大语言模型，尚不足以构建完整之 AI 科学家系统。盖科学发现之全过程，非仅「提出想法」一端，尚需实验设计、代码实现、结果分析、论文撰写等诸多环节。

是故，AI 科学家系统之构建，需将大语言模型与诸多工具（如代码执行器、文献检索器、论文撰写器）相结合，形成一完整之工作流。

---

🌱 第一代：单智能体系统（2020-2023）

AI 科学家系统之最初尝试，皆为单智能体系统。所谓「单智能体」，即整个系统由一个大语言模型实例驱动，所有任务皆由此一实例完成。

代表系统：AutoGPT、BabyAGI。

工作方式： 1. 用户给出一高层级目标（如「研究如何提升大语言模型之推理能力」）。 2. 系统将此目标分解为若干子任务。 3. 逐一完成各子任务（如文献检索、代码编写、实验运行）。 4. 汇总结果，生成报告。

局限性：

• 缺乏专业分工：一LLM 实例，需同时胜任文献检索、想法生成、代码编写、论文撰写等诸多任务。然 LLM 虽具通用之能力，然于特定领域，其表现往往不如专业系统。
• 难以处理复杂任务：科学发现之全过程，往往需多步骤之迭代与优化。单智能体系统，于处理此类复杂任务时，常出现「迷失方向」之情形——不知当前应进行何步骤。

---

🌿 第二代：多智能体系统（2023-2025）

有鉴于单智能体系统之局限性，研究者开始探索多智能体系统。所谓「多智能体」，即系统由多个大语言模型实例组成，各实例扮演不同之角色，分工协作。

代表系统：MetaGPT、ChatDev、AutoGen。

工作方式（以 MetaGPT 为例）： 1. 产品经理智能体：负责理解用户需求，撰写产品需求文档（PRD）。 2. 架构师智能体：负责设计系统架构，输出架构设计文档。 3. 工程师智能体：负责编写代码。 4. 测试员智能体：负责编写测试用例，执行测试。

各智能体之间通过结构化文档（如 PRD、架构设计文档、代码文件、测试报告）进行通信与协作。

优势：

• 专业分工：各智能体专注于特定之任务，发挥其专长。
• 结构化协作：通过文档进行通信，避免信息混乱。

局限性：

• 流程静态：智能体之间的协作流程，乃预先设计好之静态流程。若遇预想不到之情况，系统难以自适应调整。
• 无法从历史交互中学习：每次运行，系统皆从零开始，不保留上次运行之经验。此乃第二代系统之根本缺陷。

> 小贴士：所谓「静态流程」，犹按菜谱做菜——菜谱上写「步骤一：热锅；步骤二：倒油；步骤三：下菜」，汝便依此三步依次做去。然若汝所用之锅，其材质与菜谱不同，需调整火候，而菜谱未述及此，则汝便不知所措。AI 科学家系统之静态流程，亦复如是——遇未见之情况，便难以应对。

---

🌳 第三代：进化多智能体系统（2025 至今）

第二代系统之根本缺陷（无法从历史交互中学习），促使研究者探索第三代系统——进化多智能体系统。此类系统之核心特征，便是具备「持久记忆」与「自我进化」之能力。

代表系统：EvoScientist、GNoME（Google DeepMind）、FunSearch（Google DeepMind）。

核心创新： 1. 持久记忆（Persistent Memory）：系统维护一外部记忆模块，存储过往之经验（如成功之研究方向、失败之实验尝试、有效之代码片段）。每次运行，系统皆可从此记忆模块中检索相关信息，以指导当前之决策。 2. 自我进化（Self-Evolution）：系统不仅能从记忆中检索信息，还能基于新之交互经验，更新记忆模块——即，系统能随着时间之推移，不断改进其研究策略。

EvoScientist 之地位：EvoScientist 为第三代系统中，首个开源之完整框架。其于 2026 年 3 月发布之论文（arXiv:2603.08127），详细阐述了其设计理念与技术实现。而 EvoSkills，则为 EvoScientist 框架之官方技能仓库，提供 15 个专业技能包，使研究者能便捷地使用与扩展 EvoScientist 之功能。

---

🏗️ 第二章：EvoScientist 之架构——三智能体之协奏

EvoScientist 框架，其核心乃由三个专业智能体组成。此三智能体，犹交响乐团之三位演奏家，各司其职，而又紧密协作。

---

🎯 智能体一：研究员智能体（Researcher Agent, RA）

职责：科学想法之生成。

工作流程： 1. 加载记忆：从「创意记忆（M_I）」中，检索过往之研究方向（包括成功之方向与失败之方向）。 2. 文献锚定：调用 paper-navigator 技能，检索与研究主题相关之论文（30-50 篇），并构建「挑战-洞察树（Challenge-Insight Tree）」。 3. 多角色创意生成：从三个不同之视角，生成研究创意：

• 创新者视角：关注新颖性与创造性，提出高风险高回报之突破性创意。
• 实用主义者视角：关注可行性，提出可落地、执行路径清晰之创意。
• 批判者视角：关注科学价值，评估创意是否推动领域认知、是否符合科研严谨性。

4. 创意优化：对初始创意进行多轮迭代优化（每创意最多 3 次迭代）。 5. ELO 锦标赛排名：将所有优化后之创意，进行两两配对比较，根据比较结果更新各创意之 ELO 分数，最终选出 Top 3 之创意。 6. 提案扩展：将用户选中之创意，扩展为完整之研究提案（manuscript 级）。

核心技术：ELO 锦标赛排名机制。

> 小贴士：ELO 排名制度，最初由 Arpad Elo 于 1960 年代提出，用于评估象棋选手之相对技能水平。其基本原理为：选手 A 与选手 B 对弈，若 A 之预期胜率为 $P_A$，而实际对弈结果为 $S_A$（胜=1，和=0.5，负=0），则 A 之 ELO 分数更新为： > > $$R_A' = R_A + K(S_A - P_A)$$ > > 其中，$K$ 为 K 因子（控制分数变化之幅度）。EvoScientist 将此机制应用于研究创意之评估：每创意初始 ELO 分为 1500，K 因子设为 32。通过多轮两两比较（比较之维度包括：新颖性、可行性、相关性、清晰度），最终 ELO 分数最高之创意，即为最优之创意。

---

🔬 智能体二：工程师智能体（Engineer Agent, EA）

职责：实验之执行与实现。

工作流程： 1. 阶段 1：初始实现（最多 20 次尝试）

• 运行基线代码，复现已知结果。
• 若成功复现，则进入阶段 2；否则，终止实验。

2. 阶段 2：超参数调优（最多 12 次尝试）

• 为当前环境优化配置（如学习率、批次大小、隐藏层维度）。
• 若性能优于基线，则进入阶段 3；否则，返回阶段 1。

3. 阶段 3：提出的方法（最多 12 次尝试）

• 实现并验证新方法（即研究员智能体所提出之创意）。
• 若新方法显著优于基线（$p < 0.05$），则进入阶段 4；否则，返回阶段 2。

4. 阶段 4：消融研究（最多 18 次尝试）

• 验证新方法中每个组件之贡献（即，移除某组件后，性能下降之幅度）。
• 完成所有消融实验后，输出最终结果。

核心技术：结构化 4 阶段实验管线，含尝试预算与门控条件。

> 小贴士：所谓「门控条件」，犹关卡之制——汝须先通过前一关，方可进入后一关。于 EvoScientist 之实验管线中，「成功复现基线结果」乃进入阶段 2 之「门」；「性能优于基线」乃进入阶段 3 之「门」；「新方法显著优于基线」乃进入阶段 4 之「门」。此设计之好处在于：若当前阶段之目标未达成，则系统不会盲目进入下一阶段，从而避免浪费计算资源。

---

🧠 智能体三：进化管理智能体（Evolution Manager Agent, EMA）

职责：管理记忆之更新与进化机制之执行。

工作流程： 1. 从研究员智能体之输出中，提取可行之研究方向，存入「创意记忆（M_I）」（此过程称为 IDE——创意方向进化）。 2. 从工程师智能体之代码轨迹日志中，提取有效之实验策略，存入「实验记忆（M_E）」（此过程称为 ESE——实验策略进化）。 3. 将实验失败分类为「实现失败」或「根本方向失败」，并将「根本方向失败」之信息反馈至 M_I，以避免后续重复此类失败（此过程称为 IVE——创意验证进化）。

核心技术：三种进化机制（IDE、IVE、ESE）。

---

🔗 三智能体之协同

研究员智能体、工程师智能体、进化管理智能体，三者之间并非孤立运作，而是紧密协同：

研究员智能体（RA）
    ↓ 输出：Top 3 创意 + 研究提案
工程师智能体（EA）
    ↓ 输出：代码轨迹日志 + 实验结果
进化管理智能体（EMA）
    ↓ 输出：更新后之 M_I 与 M_E
    ↓ （下一研究周期）
研究员智能体（RA）← 从 M_I 检索可行之研究方向
工程师智能体（EA）← 从 M_E 检索有效之实验策略

如此，便形成一完整之自我进化循环：系统每完成一研究周期，便从其中汲取经验，更新记忆；而更新后之记忆，又指导后续之研究周期，使之表现更优。

---

🛠️ 第三章：EvoSkills——赋予 AI 科学家之专业技能

EvoScientist 框架虽提供了一通用之架构（三智能体 + 记忆模块），然要将其应用于具体之科研场景，仍需大量之领域知识与专业技能。

譬喻：EvoScientist 框架，犹一熟练之工匠，知其应做何事（提出想法、执行实验、更新记忆）；然若令其雕刻象牙，则其需「象牙雕刻之技能」；若令其绘制瓷器，则其需「瓷器绘制之技能」。

EvoSkills 之角色：提供一整套专业技能包，使 EvoScientist 能胜任各种科研场景。

---

📚 EvoSkills 之 15 个技能

EvoSkills 项目，目前包含 15 个专业技能包。吾将依其功能，分为四大类，逐一述之。

---

#### 💡 第一类：研究创意阶段（Ideation Phase）

技能 1：research-ideation（研究创意生成）

此乃研究管线之起点。其覆盖从文献锚定，到排名创意，再到生成具体提案之完整路径。

详细流程： 1. 加载先验知识：首先读取 evo-memory，复用可行之研究方向，避免已知之死胡同。 2. 文献锚定：使用 paper-navigator 收集分析论文后，再生成创意。 3. 多轨道创意 + 优化：通过多角色（创新者/实用主义者/批判者）生成候选创意，再迭代增强。 4. Elo 锦标赛：从新颖性、可行性、相关性、清晰度四个维度，对优化后之创意排名，输出 Top 3。 5. 提案扩展：将选中之胜出创意，扩展为手稿级研究提案。

反直觉之规则：

• 问题选择 > 方案设计：选择研究什么，比设计怎么研究更重要。
• 优先探索现有方法之失败场景，而非 incremental 改进。
• 生成阶段重数量轻质量：先生成大量候选，再评估。
• 可行性是必要条件：brilliant 但不可行之创意，是科研资源之浪费。

---

技能 2：research-survey（文献综述合成）

专门用于将大规模论文集合，转化为结构化综述报告之技能。

核心功能：

• 自适应大纲：基于查询类型和文献集合，生成领域专属之大纲。
• Drafting + 扩展管线：先基于顶级论文起草，再用全部文献深化每个章节。
• 摘要优化：先构建章节摘要，再重写摘要、引言、结论。
• 综述级输出：包含对比表、基于分类之方法组织、密集引用和参考文献。

---

技能 3：paper-navigator（学术论文发现与阅读）

聚焦论文之四阶段工作流：从查询到评估后之阅读列表。

7 种发现路径： 1. 关键词搜索（Keyword Search） 2. 引文遍历（Citation Traversal） 3. 推荐（Recommendation） 4. 作者追踪（Author Tracking） 5. arXiv 监控（arXiv Monitoring） 6. 趋势检测（Trend Detection） 7. GitHub 搜索（GitHub Search）

评估方法：

• 通过 TLDR（Too Long; Didn't Read）快速了解论文之核心贡献。
• 通过引用量，评估论文之影响力。
• 通过代码可用性（HuggingFace + GitHub），判断论文之可复现性。
• 通过任务 Top 模型，定位领域之最先进方法。

---

#### 🧪 第二类：实验执行阶段（Experimentation Phase）

技能 4：experiment-pipeline（4 阶段实验执行）

带尝试预算和门控条件之结构化研究实验执行框架。

4 阶段之详细配置：

代码轨迹日志：结构化尝试日志，可输入 evo-memory，用于跨周期学习。

反直觉规则：

• 初始实现不是浪费时间——其帮助汝理解基线方法之细节。
• 预算限制防止陷入死胡同——若 20 次尝试仍无法复现基线，则或许该方向根本不可行。
• 失败尝试也是数据——从失败中学习者，远比从成功中学习者为多。

---

技能 5：experiment-craft（实验调试与迭代）

系统化之实验调试、日志记录、迭代优化方法。

5 步诊断流程： 1. 收集故障：明确实验失败之现象（如代码报错、性能不达标）。 2. 找到可运行版本：回溯至上一可运行之版本。 3. 缩小差距：对比可运行版本与当前版本之差异，定位问题之根源。 4. 提出假设：基于定位到之差异，提出修复假设。 5. 修复：实施修复，并验证。

反直觉规则：

• 一次只改变一个变量——若同时改变多个变量，则无法定位问题之根源。
• 有效实验比更多实验更重要——设计良好之实验，胜过盲目运行大量实验。

---

技能 6：experiment-iterative-coder（迭代式代码优化）

结构化之「计划 → 代码 → 评估 → 优化」循环，提升代码质量。

迭代循环（每个阶段最多 3 次迭代，总计 10 次）： 1. 计划：设计当前迭代之目标与方案。 2. 编码：实现方案。 3. 运行 lint/测试：使用 ruff lint 检查代码风格，使用 pytest 运行测试用例。 4. 评分：基于 lint 结果、测试结果、性能指标，计算综合评分。 5. 决策：若评分达到预期，则结束；否则，返回步骤 1，进行下一轮迭代。

客观评估：ruff lint + pytest，动态权重评分和硬上限。

---

#### ✍️ 第三类：论文写作阶段（Writing Phase）

技能 7：paper-planning（研究论文规划与大纲生成）

在正式写作前，指导预写作规划，覆盖四项核心活动：

1. 故事设计：逆向构建叙事逻辑：任务 → 挑战 → 洞察 → 贡献 → 优势。 2. 实验规划：用结构化检查表，规划对比实验、消融实验、演示场景。 3. 图表设计：突出新颖性之管线流程图、吸引审稿人之引导图。 4. 时间线管理：从大纲到投稿之 4 周倒计时时间表。

反直觉技巧：

• 先写拒稿信——设想审稿人会如何 reject 此论文，从而有针对性地加强论文之薄弱环节。
• 先收窄主张再扩展——过于宽泛之主张，往往缺乏说服力；先收窄至具体之点，再扩展之。
• 提前规划备选叙事——若主叙事被审稿人质疑，则需有备选之叙事。

---

技能 8：paper-writing（分章节论文撰写）

经过验证之 11 步学术论文写作工作流，附带 LaTeX 模板。

11 步流程： 1. 管线草图（Pipeline Sketch） 2. 故事设计（Story Design） 3. 方法章节（Method Section） 4. 实验章节（Experiment Section） 5. 相关工作章节（Related Work Section） 6. 摘要（Abstract） 7. 引言（Introduction） 8. 标题（Title） 9. 图表优化（Figure/Table Optimization） 10. 参考文献格式化（References Formatting） 11. 最终校对（Final Proofreading）

写作原则：

• 每段一个核心信息。
• 主题句前置——让审稿人能在 30 秒内抓住段落之主旨。
• 术语一致性——全文使用统一之术语，避免混淆。
• 反向大纲法——写完论文后，从完成之段落中提取大纲，验证逻辑流是否连贯。

---

技能 9：paper-review（自评与质量保证）

投稿前系统化自评，使用对抗性和反直觉之评审策略。

5 维度检查表： 1. 贡献充分性：论文之贡献是否足够大，值得发表？ 2. 写作清晰度：论文之写作是否清晰，易于理解？ 3. 结果质量：实验结果是否充分，支持论文之主张？ 4. 测试完整性：是否进行了充分之消融实验、对比实验？ 5. 方法设计：方法设计是否合理，有无漏洞？

拒稿模拟：先强制写拒稿总结——设想汝为审稿人，会如何 reject 此论文？然后，针对拒稿总结中之每一点，加强论文之薄弱环节。

---

技能 10：paper-rebuttal（同行评审后 Rebuttal 撰写）

专门用于处理同行评审反馈后之反驳信写作技能。

分数诊断：给每个审稿人评论做颜色编码：

• 🔴 红色（关键）：若不解决，则论文必被 reject。
• 🟠 橙色（重要）：若不解决，则论文很可能被 reject。
• ⚪ 灰色（次要）：不影响论文之接受与否，但最好能解决。
• 🟢 绿色（正面）：审稿人之肯定，可用于回应其他审稿人之质疑。

战术写作：反驳信响应之 18 条结构、内容、语气规则。

反直觉原则：

• 即使分数极端（如 1、2、3 分），也要提交 rebuttal——只要汝有合理之回应，便有可能说服审稿人改变其评分。
• 在小问题上让步，以赢得核心论点——若审稿人指出某处 typo，则欣然承认并修正；将精力集中于核心论点之辩护。

---

技能 11：paper-figures（从数据生成发表级 Matplotlib 图表）

先定规范之工作流，将 CSV 和自然语言描述，转化为独立 PNG 和可复现之 matplotlib 脚本。

6 步协议： 1. 规划图表：明确图表之目的、目标受众、关键讯息。 2. 检查数据：确保数据之完整性、正确性。 3. 编写 figure-spec.md：以紧凑之 Markdown 格式，定义图表之规范（轴、刻度、系列、禁用元素、假设）。 4. 选择 matplotlib 语法：基于 figure-spec.md，选择适当之 matplotlib 语法。 5. 渲染：运行 matplotlib 脚本，生成 PNG 文件。 6. 审计：对照 figure-spec.md，验证 PNG 文件是否符合需求。

4 种诚实状态标签：

• PASSED：图表完全符合需求。
• PASSED_WITH_WARNINGS：图表基本符合需求，但存在 minor issues。
• REPAIRED：脚本自动修复了部分问题。
• FAILED_NEEDS_HANDOFF：图表不符合需求，需人工介入。

> 小贴士：paper-figures 技能之一大创新，在于其「先定规范」之原则。许多 AI 生成图表之工具，皆为先生成图表，再评估图表是否符合需求。然 paper-figures 反其道而行之：先定义图表之规范（figure-spec.md），再基于规范生成图表，最后审计图表是否符合规范。此「规范驱动」之方法，大幅降低了图表不符合需求之风险。

---

技能 12：academic-slides（学术汇报与研究演讲制作）

结构化之学术演示文稿制作和研究演讲准备方法。

叙事弧：在接触幻灯片前，先定义范围、受众、核心要点。

幻灯片设计之 10 条规则： 1. 每张幻灯片一个想法。 2. 主张式标题（如「方法 X 优于基线方法」，而非「实验结果」）。 3. 视觉层级清晰（标题 > 副标题 > 正文 > 注释）。 4. 避免满屏文字——幻灯片非论文，乃辅助演讲之工具。 5. 使用高质量之图表与插图。 6. 配色方案应协调，且色盲友好。 7. 字体大小应合适，确保后排观众亦能看清。 8. 动画应适度，避免过度使用。 9. 每张幻灯片之内容，应在 1-2 分钟内讲完。 10. 准备备份幻灯片，以应对 Q&A 之问题。

---

#### 🧠 第四类：自我进化阶段（Self-Evolution Phase）

技能 13：evo-memory（持久研究记忆与自我进化）

此乃 EvoSkills 之核心技能，实现跨研究周期之知识积累。

两个记忆存储： 1. 创意记忆（M_I）：跨创意周期跟踪可行和不可行之研究方向。 2. 实验记忆（M_E）：存储可复用之数据处理和模型训练策略。

三种进化机制： 1. IDE（创意方向进化）：在 research-ideation 后，提取有前景之方向，存入 M_I。 2. IVE（创意验证进化）：将实验失败分类为实现失败或根本方向失败。若为根本方向失败，则存入 M_I，以避免后续重复此类失败。 3. ESE（实验策略进化）：从成功之实验管线中，提炼可复用之模式，存入 M_E。

记忆检索机制：基于嵌入余弦相似度（Embedding Cosine Similarity），检索最相关之记忆。

> 小贴士：嵌入余弦相似度，乃一衡量两段文本之语义相似度之指标。其基本原理为：将两段文本分别转换为向量（通过嵌入模型，如 text-embedding-ada-002），然后计算两向量之间之余弦相似度。余弦相似度越接近 1，则表示两段文本之语义越相似。EvoScientist 利用此机制，从记忆模块中检索与研究主题最相关之记忆。

---

技能 14：nano-banana（AI 生成幻灯片与插图）

使用 Gemini 之图像生成 API，生成专业演示幻灯片和高质量插图，带交互式浏览器 review 循环。

7 阶段工作流： 1. 内容规划对话：与用户讨论演示之目标、受众、核心讯息。 2. 生成 slides_plan.json：以 JSON 格式，定义每张幻灯片之内容。 3. 风格选择与批量生成：选择视觉风格（线性彩色 / 渐变玻璃 / 矢量插画），然后批量生成幻灯片之插图。 4. 浏览器 review：启动本地 HTTP 服务器，让用户通过浏览器 review 每张幻灯片，并提供反馈。 5. 反馈编辑：根据用户之反馈，编辑幻灯片（无需重新生成整个幻灯片组）。 6. PPTX 打包：将幻灯片导出为 .pptx 文件。 7. 清理：删除临时文件。

反直觉规则：

• 更多规划 = 更好之幻灯片——若汝于规划阶段投入更多时间，则生成之幻灯片将更符合需求。
• 编辑不要重新生成——若仅需修改幻灯片中之某处细节，则直接编辑该细节，而不要重新生成整个幻灯片。
• 永远不要自己读取生成之图片——应使用 review 服务器，让人类用户来 review。

---

技能 15：evomath-tao（陶哲轩风格奥林匹克证明工作流）

严谨之证明工作流，将陶哲轩之研究数学实践，落地到竞赛风格数学中。输出完整证明、验证之反例、校准之部分结果或干净之交接，永远不会输出含糊之「已证明」。

5 步协议： 1. 简要规划：概览问题，提出证明策略。 2. 尝试候选：基于证明策略，尝试具体之证明。 3. 组装：将证明之各部分组装为完整之证明。 4. 审计：验证证明是否正确。 5. 反思：反思证明过程，提炼可复用之证明技巧。

5 种诚实状态标签：

• PROVED：问题已完全证明。
• REFUTED：问题已反证（即，原假设错误）。
• VERIFIED_NUMERICALLY：问题已数值验证，但尚缺严格之证明。
• CONJECTURED：问题尚未解决，但已提出猜想。
• HANDED_OFF：问题过于困难，需交接给人类数学家。

> 小贴士：evomath-tao 技能之核心创新，在于其「校准式弃权」——当验证反复失败时，技能会降级状态（如从 PROVED 降级为 CONJECTURED），而不是虚构一「已证明」之结论。此「诚实」之设计，对于数学研究至关重要——盖数学研究之本质，乃追求真理，而非追求「已解决」之虚名。

---

🔬 第四章：实验验证——EvoScientist 是否真能自我进化？

前述之架构设计与技能体系，听起来固然美妙。然则，EvoScientist 是否真能如其声称那般，实现「自我进化」？

对此问题，EvoScientist 团队进行了两项实验验证。

---

📊 实验一：科学想法生成任务

任务：给定一研究主题，生成高质量之研究想法。

对比系统（7 个 SOTA 系统）：

• AI Scientist-v2
• AI-Researcher
• InternAgent
• ...（及其他 4 个系统）

评估维度（4 个）： 1. 新颖性（Novelty）：与已发表工作之差异度。 2. 可行性（Feasibility）：于合理资源范围内可落地实现之程度。 3. 相关性（Relevance）：是否解决重要问题、匹配研究目标。 4. 清晰度（Clarity）：想法定义是否足够清晰，可立刻启动研究。

评估结果：

• 自动评估：EvoScientist 在 4 个维度上，均优于 7 个对比系统。
• 人工评估：由 3 位领域专家（博士学位持有者）进行盲评，EvoScientist 之想法，在「新颖性」与「可行性」上，均显著优于对比系统。

关键发现：EvoScientist 之优势，主要源于其「记忆机制」——由于能从历史交互中学习，EvoScientist 能避免重复提出已发表之想法，也能避免重复尝试已知不可行之方向。

---

📊 实验二：端到端实验执行

任务：给定一研究想法，端到端执行实验（从代码实现到结果输出）。

评估指标：代码执行成功率（Code Execution Success Rate）——即，实验管线是否能顺利运行至完成，而中途不因代码错误而终止。

评估结果：

• 无记忆机制：代码执行成功率为 42%。
• 有记忆机制（EvoScientist）：代码执行成功率为 78%。

提升幅度：+36 个百分点。

关键发现：记忆机制（尤其是「实验记忆 M_E」）能显著提升代码执行成功率。盖 M_E 中存储了过往成功之代码策略，当前实验可从中检索相关信息，避免重复犯相同之代码错误。

---

🤔 深度分析：自我进化效果之量化评估

虽上述两项实验，验证了 EvoScientist 之优越性，然其未量化「自我进化机制」之具体贡献。

问题：IDE、IVE、ESE 三机制，各自贡献几何？协同效应几何？

建议之消融实验（Ablation Study）： 1. 移除 M_I（即，禁用 IDE 与 IVE 机制）：评估性能下降幅度。 2. 移除 M_E（即，禁用 ESE 机制）：评估性能下降幅度。 3. 同时移除 M_I 与 M_E（即，完全无记忆机制）：评估性能下降幅度。

通过此消融实验，便可量化各机制之单独贡献与协同效应。

> 小贴士：消融实验（Ablation Study），乃机器学习领域之常用技术。其基本原理为：移除模型中之某组件，观察模型性能之变化。若移除某组件后，模型性能大幅下降，则该组件为重要之组件；若移除后性能变化不大，则该组件可能为冗余之组件。

---

🌍 第五章：EvoSkills 之应用前景与局限性

EvoSkills 作为一新兴之 AI 科学家技能体系，其应用前景广阔，然亦存在若干局限性。

---

🚀 应用前景

前景一：加速科研迭代

传统之科研迭代，往往需数月乃至数年。而 EvoSkills，能于数小时乃至数分钟内，完成「想法生成 → 实验执行 → 结果分析」之全过程。此将大幅加速科研迭代之速度。

前景二：降低科研门槛

传统之科研，需深厚之领域知识与娴熟之技术技艺。而 EvoSkills，通过技能包之形式，将领域知识与技术技艺「封装」起来。即使是非领域专家，亦可借助 EvoSkills，开展高质量之研究。

前景三：跨学科研究

传统之跨学科研究，往往受限于研究者之知识边界——一位计算机科学家，或许不懂生物学；一位生物学家，或许不懂计算机科学。而 EvoSkills，能轻松整合不同学科之技能包，从而实现真正之跨学科研究。

---

⚠️ 局限性

局限性一：记忆污染风险

若初始记忆有误（如，错误之研究方向被标记为可行），则此错误将传播至后续之研究周期。此「记忆污染」之风险，需引起高度重视。

建议之应对策略：

• 定期审查记忆模块，识别并修正错误之记忆。
• 引入「记忆置信度」机制——对于置信度较低之记忆，系统应谨慎使用。

局限性二：长期进化之稳定性未验证

EvoScientist 团队目前仅验证了短期（数个研究周期）之进化效果。然若研究周期数达数十乃至数百，记忆模块是否会随时间累积噪声，导致性能下降（灾难性遗忘）？

建议之验证实验：设计长期进化实验（50+ 周期），监控记忆质量与想法生成性能之变化趋势。

局限性三：跨领域泛化能力未验证

EvoScientist 目前主要应用于计算机科学领域（尤其是机器学习方向）。然其是否适用于其他领域（如生物学、化学、物理学）？此问题尚待验证。

建议之验证实验：在多学科领域，设计案例研究，验证 EvoSkills 之通用性。

---

🔮 第六章：未来之研究方向

基于前述之分析，吾提出以下 6 个未来之研究方向。

---

🧠 方向一：记忆架构优化

研究问题：如何设计分层记忆机制（短期记忆 + 长期记忆），避免灾难性遗忘？

方法：借鉴神经图灵机（Neural Turing Machines）、可微神经计算机（DNC）之记忆架构，设计适用于 EvoSkills 之分层记忆机制。

预期贡献：提出记忆容量上限之理论边界，设计记忆污染检测与修复算法。

---

⚖️ 方向二：多目标优化

研究问题：如何在 ELO 排名中，引入多目标优化算法（如 NSGA-II），平衡新颖性、可行性、相关性之权衡？

方法：将 ELO 排名问题，转化为多目标优化问题，设计 Pareto 最优解之选择机制。

预期贡献：提出自适应 ELO 参数调整机制，提高排名结果之公平性。

---

🤖 方向三：自动化技能编排

研究问题：如何实现基于 DAG（有向无环图）之技能执行引擎，减少人工干预？

方法：设计技能依赖图（Skill Dependency Graph），自动触发下游技能。

预期贡献：实现端到端自动化科学发现流程，提高研究效率。

---

🌐 方向四：跨领域迁移学习

研究问题：如何将某一领域（如 NLP）之实验策略，迁移至另一领域（如 CV）？

方法：设计跨领域记忆检索机制，基于任务相似度（而非领域标签）检索 M_E 中的实验策略。

预期贡献：提高 EvoSkills 之跨领域泛化能力。

---

🔬 方向五：多学科案例研究

研究问题：EvoSkills 是否适用于化学、生物学、物理学等领域？

方法：在多学科领域，设计案例研究，验证 EvoSkills 之通用性。

预期贡献：扩展 EvoSkills 之应用范围，提供多学科使用指南。

---

🤝 方向六：人机协作模式

研究问题：人类研究者，如何与 EvoSkills 协同工作，而非完全自动化？

方法：设计人机协作协议，明确人类研究者与 AI 智能体之职责分工。

预期贡献：提出混合智能（Hybrid Intelligence）框架，结合人类直觉与 AI 之计算能力。

---

📝 第七章：结语——AI 科学家之未来

吾今已述完 EvoSkills 之全貌——从其诞生之背景，到其架构之设计，再到其技能之详解，最后到其应用之前景与未来之方向。

总结 EvoSkills 之核心贡献：

1. 首次系统分析 EvoSkills 技能架构：提出技能分类体系（4 大类 15 个技能），阐明模块化设计原则与数据流动机制。 2. 首次深度解构 evo-memory 自我进化机制：明确 IDE、IVE、ESE 三机制之执行流程与技术实现细节。 3. 首次识别 EvoSkills 之知识缺口：提出 6 个理论/方法/实证缺口，为未来研究提供方向。

吾之感悟：

AI 科学家之发展，目前尚处于初级阶段。EvoSkills 虽已具备「持久记忆」与「自我进化」之能力，然其距离真正之「AI 科学家」（能独立开展高质量研究之 AI 系统），尚有较长之距离。

然则，吾深信：随着技术之不断进步，随着更多研究者投身于此领域，AI 科学家之梦想，终将实现。

愿诸君，于此 AI 科学家觉醒之时代，既能欣赏其美妙，亦能审视其局限。

---

📚 参考文献

1. 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 preprint arXiv:2603.08127. https://doi.org/10.48550/arXiv.2603.08127

2. EvoScientist. (2026). *EvoSkills: Official Skill Repository for EvoScientist* [GitHub repository]. GitHub. https://github.com/EvoScientist/EvoSkills

3. Graves, A., Wayne, G., & Danihelka, I. (2014). Neural Turing Machines. *arXiv preprint arXiv:1410.5401*.

4. Graves, A., Wayne, G., Reynolds, M., Harley, T., Danihelka, I., Grabska-Barwińska, A., ... & Hassabis, D. (2016). Hybrid computing using a neural network with dynamic external memory. *Nature*, 538(7626), 471-476.

5. Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., ... & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. *Advances in Neural Information Processing Systems*, 33, 9459-9474.