LabEvolver：面向安全且基于实际操作的湿实验室智能体的无训练经验演化框架
TLDR
一种利用情景记忆和经验演化的无训练框架，提升湿实验室和家务任务智能体性能。
评分理由
The paper presents a novel training-free framework with strong empirical results on real-world robotic tasks and a simulated benchmark, demonstrating clear improvements. However, the abstract lacks detailed discussion of limitations, such as generalizability beyond the tested tasks or potential failure modes, and the core contribution is narrowly focused on experience evolution rather than broader automated scientific discovery.
Read-first 评分解释
综合优先阅读分 51.7，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 47。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：43。
关键词评分
深度分析
创新点
- 为湿实验室智能体配备执行经验情景记忆的无训练框架。
- 用于自适应感知、在线规划和安全性验证的状态引导内部试验循环。
- 将完成的轨迹提炼为可重用技能、策略和安全经验的外部演化循环。
- 在机器人溶液制备任务上展示了实际可行性，并在ALFWorld上展示了通用性。
方法
LabEvolver结合了一个状态引导的内部试验循环，用于自适应感知、在线规划和安全性验证，以及一个外部演化循环，将完成的轨迹提炼为可重用的技能、策略和安全经验。在机器人溶液制备任务和ALFWorld基准上进行了评估，并与ReAct进行了比较。
关键结果
在机器人溶液制备任务中，LabEvolver将pH调节完成时间减少了48.2%，安全门拦截减少了60.0%。在ALFWorld上，它使20步内的累积成功率从ReAct的76.2%提升到500个连续任务中的91.4%。