EvoSkills 深度调研报告

仓库： EvoScientist/EvoSkills
论文： EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery (arXiv:2603.08127)
许可： Apache-2.0 | 390★ / 41 Forks | 语言：Python 92.7%, HTML 4.1%, TeX 3.2%

一、定位：不是"又一个技能库"

EvoSkills 是 EvoScientist 的配套技能体系，但它不只是零散工具的堆砌——它是一个端到端科研管道，从灵感产生、实验执行、论文撰写到同行评审，形成了一个可自我进化的闭环。核心哲学：技能 + 持久记忆（evo-memory）+ 多 Agent 协作 = 研究能力随周期迭代增长。

二、架构总览：三阶段管道 + 进化层

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│  🔬 研究阶段     │ ──▶ │  ⚙️ 实验阶段     │ ──▶ │  📝 写作阶段     │
│  research-ideation│     │  paper-planning │     │  paper-writing  │
│  paper-navigator │     │  experiment-*   │     │  paper-review   │
│  evomath-tao     │     │  (4 skills)     │     │  paper-rebuttal │
│                  │     │                 │     │  academic-slides│
└─────────────────┘     └─────────────────┘     └─────────────────┘
         ▲                       ▲                       ▲
         └───────────────────────┴───────────────────────┘
                              │
                    ┌───────────────┐
                    │  🧠 evo-memory │
                    │  (IDE·IVE·ESE) │
                    └───────────────┘

三大 Agent 角色：

• Researcher Agent（蓝色）：想法树搜索 + Elo 锦标赛排序 → 产出研究提案
• Engineer Agent（绿色）：4 阶段实验管道执行
• Evolution Manager Agent（灰色）：管理 3 种记忆进化机制，将经验反馈回未来周期

三、15 个技能详解

研究阶段（3 个）

实验阶段（4 个）

写作阶段（4 个）

独立工具（4 个）

四、核心创新：evo-memory 自我进化机制

这是 EvoSkills 区别于其他学术工具链的最大差异化：

工作方式： 每个研究周期开始时，research-ideation 和 experiment-pipeline 先读取 evo-memory 加载历史经验；周期结束后更新记忆。长期看，系统会越用越聪明——避免重复踩坑，积累领域直觉。

五、兼容性与安装

不仅限于 EvoScientist，兼容任何编码代理：

# EvoScientist 内
/install-skill EvoScientist/EvoSkills@skills

# 通用（Claude Code / Cursor / Codex / Gemini CLI / DeepAgents 等）
npx skills add EvoScientist/EvoSkills

六、技术验证：IMO 2025 硬基准

evomath-tao 在 IMO 2025 上做了实打实的测试（Claude Opus 4.7，6 个并行子代理）：

6 道数值/分类答案全部匹配官方答案。 这证明了其"校准弃权"哲学的有效性——不会为了面子而硬撑。

七、待办路线图

八、评估与潜在问题

优势：

1. 闭环设计：不是碎片化工具，而是端到端研究管道
2. 进化机制：evo-memory 是真正意义上的"学习"——经验跨周期复用
3. 反直觉策略：先写拒绝信、小让步换大胜利、失败尝试也是数据——这些建议来自真实审稿经验
4. 硬基准：IMO 2025 测试给了数学能力可信度
5. 通用兼容：不锁定在 EvoScientist 生态内

潜在局限：

1. 依赖外部服务：论文发现依赖 Semantic Scholar、arXiv、Jina Reader；幻灯片依赖 Gemini API；网络或配额问题会影响可用性
2. LaTeX 偏重：paper-writing 以 LaTeX 为核心，对偏好 Markdown/Word 的用户需要适配
3. 实验预算为经验值：4 阶段尝试上限（20/12/12/18）是硬编码的，可能不适合所有领域
4. 自我进化质量：evo-memory 的效果取决于数据量和质量积累周期；短期用户可能感受不到"进化"

九、与你现有生态的关联

你当前 workspace 中已有的技能主要集中在：

• 学术写作（academic-paper、academic-paper-reviewer、academic-pipeline）
• 深度研究（deep-research）
• 代码与调试（coding-agent、diagnose、tdd）
• 中文写作优化（wenbai-detox、deai-rewrite）

EvoSkills 的互补价值：

• 你的现有工具重单篇论文/单次研究；EvoSkills 重跨周期累积（evo-memory）
• 你的工具重写作质量；EvoSkills 重实验管道（experiment-pipeline/craft）
• 你的工具重研究规划；EvoSkills 重数学证明（evomath-tao）
• 两者可以叠加使用：用 EvoSkills 做实验和记忆，用你现有的 academic-pipeline 做论文和评审

十、结论

EvoSkills 是一个 工程化程度很高的科研 Agent 工具链，不是"又一个提示词模板库"。它有三个真正有价值的差异化：

1. evo-memory 的自我进化设计
2. 反直觉策略（来自真实审稿/实验经验）
3. 硬基准验证（IMO 2025）

如果你正在进行需要 多次实验迭代、跨项目积累经验、或数学证明 的研究工作，安装这整套技能会有明显增益。