EvoScientist：迈向用于端到端科学发现的多智能体演化AI科学家

arXiv 2026 64.2 method

TLDR

EvoScientist是一个具有持久记忆和自我演化的多智能体AI科学家框架，用于端到端科学发现。

评分理由

The paper presents a novel evolving multi-agent system that addresses limitations of static pipelines by incorporating persistent memory and self-evolution. However, the abstract lacks explicit details on real-world experimental validation or benchmarks, making it unclear how the framework performs empirically.

Read-first 评分解释

综合优先阅读分 64.2，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 83。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：评估、实验、结果

主题相关性 42%

69.2

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：63。

关键词评分

AI scientist

automated scientific discovery

scientific discovery agent

autonomous research agent

automated research

automated experimentation

AI for scientific research

research automation

experiment design agent

literature review agent

survey generation

paper writing agent

深度分析

创新点

具有持久记忆和自我演化的演化多智能体AI科学家框架
三个专门智能体：研究者智能体、工程师智能体和演化管理智能体
构思记忆，总结可行研究方向并记录先前不成功的方向
实验记忆，从代码搜索轨迹和最佳执行实现中捕获有效的数据处理和模型训练策略

方法

EvoScientist采用三个智能体（研究者、工程师、演化管理）和两个持久记忆模块。演化管理智能体将先前交互中的见解提炼为构思记忆和实验记忆，研究者智能体和工程师智能体检索这些记忆以改进想法生成和代码执行。评估通过与7个开源和商业系统在想法质量（新颖性、可行性、相关性、清晰度）上的自动和人工比较，以及代码执行成功率进行。

关键结果

EvoScientist在科学想法生成的新颖性、可行性、相关性和清晰度上优于7个最先进系统，并通过多智能体演化显著提高了代码执行成功率。

技术栈

Large Language Models (LLMs)Multi-agent systemsPersistent memory modules

资源

论文