科研 Agent 集体觉醒：AutoSci 能否让 AI 学会"持续做科研"？

“

当 AI Agent 能做完任务就忘记一切时，科研自动化的意义大打折扣——我们需要的不是更快的工具，而是一个会成长的系统。

被忽视的致命伤：科研 Agent 为何总是”一次性”？

当下 AI 科学家们已经能做很多事：

The AI Scientist：端到端自动化科研流程，从想法到论文，论文已过 ICLR workshop 评审
AutoScientists：多 Agent 协作团队，在 BioML-Bench 24 个任务中平均达到 74.4% 百分位，蛋白质预测超 SOTA +12.5%
Autoresearch：24/7 自主跑实验，修改代码迭代模型，连睡觉都替你科研
ToolUniverse：600+ 科学工具的标准化协议，让 Agent 自由调用 ML 模型、数据库和模拟器

但这些系统有一个共同的致命问题：任务结束 = 经验清零。

每次新建项目，Agent 仍然要从头理解问题空间、重新摸索实验套路、重新踩一遍坑。像一个永远不长记性的实习生——你教了他三遍的技巧，下次遇到新任务他又忘了。

这像极了早期 NLP 研究里的词向量——模型很强大，但没有任何记忆和经验积累机制。

AutoSci 在解决什么问题

AutoSci 的核心洞察是：**科研 Agent 需要从”工具”进化为”系统”**。

传统科研 Agent 的工作模式：

输入任务 → 执行 → 输出结果 → 结束（无记忆）

AutoSci 设想的工作模式：

输入任务 → 执行 → 输出结果 ↓ 记忆层：知识/经验/教训 ↓ SciEvolve：分析本次运行 → 更新工作流/技能/协作模式 ↓ 下一任务：继承经验 + 优化策略

这背后有三个关键能力：

1. 跨项目知识记忆 不只是记住”这个实验失败了”，而是理解失败的原因、提炼出可迁移的规律。比如”在这类蛋白质上，突变位点靠近活性口袋时，预测误差普遍偏高”——这种经验比具体结果更有价值。

2. 完整科研生命周期 覆盖假设生成→实验设计→执行→分析→迭代的全流程，而不是只做其中某一环节。

3. SciEvolve：自动进化机制 从每一次科研运行中学习，动态更新：

工作流（什么顺序做实验最有效）
技能库（积累的技巧和踩过的坑）
协作模式（多 Agent 之间如何配合更好）

行业背景：从”AI 辅助科研”到”AI 学会科研”

2024-2025 年，科研 Agent 领域出现了明显的范式转变。

早期（如 ChemCrow）的思路是：给 LLM 配备专业工具，让它能调用化学数据库、分子模拟器来完成特定任务。本质上还是”更强的工具”。

后来（如 The AI Scientist）的思路升级为：让 AI 自主完成完整科研流程，从想法生成到论文写作全自动化。本质上是”更长的工作流”。

而 AutoSci 的思路是：让 AI 学会如何持续做科研，核心是经验积累和自动进化。本质上是”会成长的系统”。

这不是某个具体项目的命名，而是一个方向——科研 Agent 的下一代基础设施。

技术挑战：让 Agent 学习，本身就是难题

说起来简单，做起来有三个核心难题：

1. 知识的表示与压缩 科研经验不像代码或文档，可以直接存储。什么时候一个经验值得保留？用什么格式？如何在保持通用性的同时不丢失细节？这些问题在传统的 RAG 框架里没有答案。

2. 什么时候学习，学什么？ 人类科研中，学习信号是分散的——这次实验结果不及预期是信号，审稿人的意见是信号，隔壁组发了相关工作是信号……但对于 Agent，哪些信号值得学习？学习后更新哪个模块？这些问题需要精细的设计。

3. 进化稳定性 一个会学习的系统，最大的风险是学歪了——错误的经验被强化，越走越偏。需要类似”经验回放”的机制，确保新旧知识的平衡。

写在最后

AutoSci 这个方向的价值，不在于某个具体系统，而在于它提出的问题：我们到底需要怎样的科研 AI？

如果 AI 只是更快地完成一次性任务，那它本质上还是高级计算器。但如果 AI 能够记忆、反思、进化——像一个真正的研究者一样积累经验——那它才有可能成为科研的基础设施。

当然，这条路还很长。但方向是对的。

就像深度学习在 2012 年让人看到计算机视觉的潜力一样，AutoSci 的思路——让 AI 从工具进化为会学习的系统——可能正是科研 AI 走向成熟的必经之路。

相关链接

AutoScientists 论文：https://arxiv.org/html/2605.28655v1[1]
The AI Scientist（Nature）：https://www.nature.com/articles/s41586-026-10265-5[2]
ToolUniverse 框架：https://github.com/FoundationBayes/ToolUniverse[3]
Autoresearch 项目：https://github.com/karpathy/auto-search[4]

引用链接

[1]https://arxiv.org/html/2605.28655v1