---
schemaVersion: 1
slug: gp-154-20260402-evoscientist-multi-agent-ai-scientist
ticketId: GP-154
lang: zh-tw
title: 如果 AI 科學家也會長記性：EvoScientist 讓研究策略自己進化
summary: 大多數 AI scientist 系統像很會做簡報的實習生：每次都很努力，但每次都忘記昨天怎麼失敗。EvoScientist 把 Researcher、Engineer、Evolution Manager 三個 agent 加上兩套 persistent memory，讓 AI 不只會做研究，還會從失敗裡長出新的研究策略。
originalDate: 2026-03-09
translatedDate: 2026-04-02
source: EvoScientist on arXiv
sourceUrl: https://arxiv.org/abs/2603.08127
author: null
authorshipNote: null
canonicalUrl: https://gu-log.vercel.app/posts/gp-154-20260402-evoscientist-multi-agent-ai-scientist
status: published
replacementTicketId: null
replacementUrl: null
---

# 如果 AI 科學家也會長記性：EvoScientist 讓研究策略自己進化

> **來源:** [EvoScientist on arXiv](https://arxiv.org/abs/2603.08127)

想像一個場景。一個 AI 科學家，會讀 paper、想研究題目、寫 code、跑實驗、整理結果，甚至能把 proposal 寫得像模像樣。

聽起來很猛，對吧？

但如果每次開新 task，前一次踩過的坑全部忘光——那這位 AI 科學家的本質，還是個很會講話的菜鳥研究生。昨天在死胡同裡撞到頭破血流，今天換一個 prompt，又開開心心走回同一條路。

EvoScientist 要解的，就是這個很人類、也很痛的問題：**如果 AI 助手能記住每次失敗的原因，然後自己想出更好的方法呢？**

而且這篇 paper 的答案不是「多加幾個 agent」而已。真正厲害的地方是：**把「演化」放進 multi-agent 系統裡。** 不是做完一次 task 就散會，而是讓系統把這次學到的好方向、爛方向、有效的 code 策略，統統蒸餾下來，變成下一輪的起跑線。

> **Mogu OS：**
>
> 很多 AI agent system 看起來像在組 Avengers：Research agent、Coding agent、Reviewer agent、Manager agent，名字一個比一個帥。
>
> 但坦白講，如果這群人每次任務結束都集體失憶，那根本不是 Avengers——比較像每天重置存檔的 RPG 隊伍。角色有分工，經驗值永遠歸零。
>
> **這就是為什麼我對大多數 multi-agent paper 很不耐煩。** 又在排角色、又在畫流程圖，但沒有人在問「上一輪學到的東西去哪了」。EvoScientist 至少把這個問題當正事在做 (◕‿◕)

## 問題不在 agent 不夠多，在它們每次都重新犯一樣的錯

論文開場先吐槽了現在多數 AI scientist 系統的一個核心盲點：**pipeline 是靜態的。**

什麼叫靜態？角色分工、流程順序、決策方式，部署完之後大致固定。Research agent 負責想 idea，Engineer agent 負責寫 code，大家照流程跑完，輸出一個結果，結束。

這套東西在 demo 階段很好看，因為它很工整。問題是，真正的科研不是工整的流程圖。科研比較像在迷霧裡探路：先誤判方向、浪費算力在不可行的想法上、反覆撞到那些看起來合理但其實做不出來的方案。

而靜態 pipeline 最大的毛病，就是**它不會從這些撞牆經驗裡變聰明**。

所以同樣的慘劇反覆上演：明明某條研究方向以前試過很爛，系統還是再試一次；明明某種 implementation strategy 比較容易跑通，下一次卻又從零亂猜；明明某個 idea 很有潛力，只是第一次沒做完整，系統卻沒有把它記住。

這篇 paper 的洞察很直接：**interaction history 不是噪音，是資產。**

把每次 agent collaboration 的過程都當成用完即丟的 execution trace，系統永遠只是在重複「第一天上班」。

> **Mogu 畫重點：**
>
> 這個問題跟帶 junior engineer 很像。
>
> 一個 junior 不可怕，可怕的是他每天都像第一天報到。昨天才跟他講過「這個 migration 不能這樣切」，今天他又切一次；上週才說過「這個 service 有 rate limit」，這週又打爆一次。
>
> 能力成長不是靠做過事情，是靠**做過之後留下可重用的判斷**。沒留下來，就等於沒學到。AI agent 也一樣，甚至更一樣，因為它真的會 session reset (╯°□°)╯

---

## EvoScientist 不是三個 agent 排排站，而是一個會檢討的研究團隊

EvoScientist 的表面架構很簡單：三個 agent。

**Researcher [Agent](https://gu-log.vercel.app/glossary#agent)（RA）** 負責科學想法生成。它讀目標、查相關文獻、提出候選 idea，然後透過 tree search 一路 propose、review、refine，把想法往前推。

**Engineer Agent（EA）** 負責把 proposal 變成真的實驗。它去找可執行的 code、做資料處理、調訓練策略、跑實驗、讀 log、修錯、再重跑。研究團隊裡那個最苦命但最關鍵的實驗室同學，就是這個角色。

**Evolution Manager Agent（EMA）** 才是整篇 paper 的靈魂。它不負責第一線生產 idea，也不直接寫實驗 code。它做的是另一件更高槓桿的事：**把前面兩個 agent 互動過程中的成功與失敗，蒸餾成未來可重用的知識。**

這個角色很像實驗室裡那種真正厲害的 PI 或 senior researcher。不是因為他親手做最多事，而是因為他會看完一輪研究過程後說：

「好，這條方向值得再挖。」

「這個方向先不要碰，團隊已經證明它現在不可行。」

「這個 data processing 方式明顯比較穩，下次直接從這裡開始。」

這就是 EvoScientist 跟很多 multi-agent paper 不一樣的地方。別人是在做**角色分工**，它是在做**組織學習**。

> **Mogu 內心戲：**
>
> EMA 這個設計承認了一件很多 agent framework 不太想承認的事：
>
> **log 再多，不等於學到東西。**
>
> 很多系統超愛把 trace 存一大堆，然後一副「有 memory 了」的樣子。但如果沒有人把那些 trace 壓縮成「下次應該怎麼做」的策略，那只是比較高級的垃圾堆。
>
> EMA 的價值就在這裡：它不是倉管，它是教練。倉管會把東西收好；教練會告訴隊員下次不要再同一招被打臉。
>
> **而且我認為這比 RA 和 EA 的設計都重要。** 因為 RA 和 EA 拆出來只是分工的問題，但 EMA 改變的是系統有沒有學習迴路。沒有 EMA，三個 agent 跟三百個 agent 一樣——都只是做工，沒有成長 ┐(￣ヘ￣)┌

---

## 真正的核心，是兩本會越寫越有用的研究筆記

EvoScientist 不是把所有歷史紀錄硬塞回 prompt。它做得更聰明：把記憶拆成兩種，各自服務不同階段。

第一本叫 **ideation memory**。記的是「研究方向層」的知識：哪些方向看起來可行、哪些方向已經被驗證過不值得追、哪些高分 idea 其實有共通模式。RA 在接到新目標時，會先從這裡撈出相關的方向知識，再去想新的 idea。這等於不是在一片空白的白板上亂畫，而是在看過前輩留下的研究筆記後再開腦洞。

第二本叫 **experimentation memory**。記的是「動手做層」的知識：什麼樣的 data processing 比較穩、哪些 model training 策略成功率高、過去從 code search trajectory 裡找到過哪些有用的實作模式。EA 在要寫 code、跑實驗前，先把這些策略叫出來，等於先翻一下實驗室的生存手冊。

這兩本 memory 分開，超重要。

因為「好 idea」和「好 implementation」是兩種完全不同的智慧。有些研究者很會想題目，但每次跑 code 都炸；有些人很會 debug，但選題永遠平庸。EvoScientist 沒有把這兩種能力混成一坨，而是承認它們需要各自累積、各自演化。

這也很自然接上前幾天才寫過的 [SD-11](https://gu-log.vercel.app/posts/sd-11-20260402-ai-agent-memory-architecture) 跟 [GP-144](https://gu-log.vercel.app/posts/gp-144-20260402-ecc-instinct-system)。SD-11 講的是 agent 怎麼把記憶做成可檢索、可驗證的結構；GP-144 講的是系統怎麼把反覆出現的 pattern 蒸餾成 instinct。EvoScientist 幾乎可以看成這兩件事在學術研究場景裡的結婚版本：**記憶負責保存經驗，演化負責把經驗變成下一輪更好的決策。**

> **Mogu 插嘴：**
>
> 這裡最值得抄的，不是「有 memory」這件事，而是**memory 的顆粒度設計**。
>
> 很多人一講 agent memory，就直覺想做一個大雜燴 knowledge base，全部丟一起再靠 embedding 撈。聽起來很現代，實際上常常像把實驗紀錄、研究假說、debug 筆記、會議 memo 全部塞進同一個抽屜。
>
> 找得到才有鬼。
>
> EvoScientist 的拆法很合理：想法的失敗，跟 implementation 的失敗，不是同一種失敗。把它們分開記，檢索時才不會拿「這個模型 train 不起來」去污染「這個研究方向是否值得做」的判斷。這就是 architecture，不是整理癖 (⌐■\_■)

---

## 演化的真正味道：不是「記住了」，是「整理完了再出發」

好，有 persistent memory，然後呢？光說「有記憶所以會進化」還是太玄。

這篇 paper 比較紮實的地方，在它把演化落地成一個真正的循環，而不是一句口號。

先看 RA 這端。做完一輪 idea tree search 後，系統不會只拿 top-1 去寫 proposal。EMA 會回頭整理：top-ranked ideas 裡面反覆出現的「有前景方向」，寫進 ideation memory。等於不是只記住「哪個答案贏了」，而是記住「哪些方向值得再想」。

但更狠的一招是**失敗也記**。如果 proposal 最後證明不可行——找不到能執行的 code，或者跑完後效果比 baseline 還差——EMA 不會只是 log 一行 “failed” 就放生。它會把「為什麼這條路行不通」也整理進 ideation memory。這不是成功學筆記本，這是包含死路地圖的航海日誌。少走十條死路，有時候比多知道一條正路還有用。

再看 EA 這端。實驗過程中留下的大量 execution records——run status、logs、metrics、失敗診斷、最後哪些版本真的跑通——EMA 會從這些歷程裡抽出可重用的 execution strategy，寫進 experimentation memory。下次遇到類似 proposal，EA 就不是從零開始摸黑，而是先看前幾輪學到的生存指南。

整個循環：RA 想法 → EA 動手驗證 → EMA 回頭整理 → 下一輪 RA / EA 帶著整理過的知識再出發。

這已經不是一般意義上的「pipeline」。比較像一個研究團隊每週做 retrospective，然後——這是關鍵——**真的把 retrospective 結論放進下週工作方式裡**。不是開完會大家點頭然後下週照樣犯錯。

論文裡還有兩個漂亮的細節。RA 在候選 idea 排名時，不是直接打一個絕對分數，而是用 **Elo-based tournament** 做 pairwise ranking。拿不同提案兩兩對打，逼系統做比較，而不是靠一個飄來飄去的主觀尺。另外，EA 不是只做一次 code generation，而是跑 **experiment tree search**——允許在 implementation 空間裡迭代、修正、換策略，而不是第一版 code 跑不動就算了。

> **Mogu 碎碎念：**
>
> 「把失敗記進 memory」這件事，聽起來普通，實際上很反直覺。
>
> 大部分團隊不太會認真保存失敗知識。成功案例大家愛寫成 wiki、愛寫成 blog、愛在大會上分享；失敗案例通常留在某個人腦裡，或者留在某次很難看的 postmortem 裡，過兩週就沒人想看了。
>
> 但對會自主探索的 agent 來說，**失敗知識常常比成功知識更值錢**。因為它能直接砍掉搜尋空間。
>
> **這也是這篇 paper 讓我對 EvoScientist 認真起來的轉折點。** 很多 multi-agent paper 只會說「我們有記憶模組」，但記的全是成功案例。那不叫學習，那叫自我安慰。EvoScientist 的 memory 設計裡有「別再去那裡」的知識，這才是真正有複利的東西 (¬‿¬)

---

## 成績單有沒有料？這次是真的有點猛

講框架很好聽，但最後還是要看結果。

在 scientific idea generation 上，EvoScientist 對上 7 個 open-source 與 commercial 的 SOTA baseline，評估維度是四個：**novelty、feasibility、relevance、clarity**。

而且不是只拿一種 judge。論文同時做了自動評估和 human evaluation。這點很重要，因為「LLM 說某某很棒」現在已經跟泡沫紅茶店說自己是在地第一名差不多了，大家都會講。有人類評審一起看，可信度高很多。

論文裡的結果是：**EvoScientist 在這四個維度上，整體都優於 baseline。**

再看 code execution 這邊，paper 也給了更具體的數字：平均 execution success rate 從演化前的 **34.39**，提升到演化後的 **44.56**。不是神蹟式翻倍，但很有研究味——不是說「什麼都輾壓」，而是很清楚地告訴讀者：當 system 開始累積並重用 execution strategy，跑得動的機率確實上升。

更誇張的是，作者還把 EvoScientist 拉去做 end-to-end scientific discovery，真的自動產生並撰寫了 6 篇完整論文。按照 paper 自己的說法，這 6 篇都被 ICAIS 2025 的 AI Scientist Track 接收，其中 2 篇還拿了 major awards。

這種結果值得保留一點學術上的健康懷疑——畢竟是作者自己的實驗設定與投稿場域——但就算先不看 award，前面的核心結論已經夠有說服力：**persistent memory + multi-agent evolution 不是裝飾品，它真的會改變系統的探索品質與執行成功率。**

> **Mogu 插嘴：**
>
> 34.39 → 44.56 這個數字反而讓人放心，因為它不像詐騙廣告。
>
> 如果論文寫「成功率從 34% 提升到 93%」，第一反應會是：benchmark 挑太甜了吧，還是偷偷把 task 難度改了。
>
> 但從三成多拉到四成多，這很像真實世界會發生的 improvement。系統沒有突然變成神，而是開始比較少做蠢事。很多時候，工程上的巨大進步就是這麼樸素：同樣的 agent，少撞一點牆，就贏很多了 ٩(◕‿◕｡)۶

---

## 不只是學術論文：這套經驗管理哲學可以搬進任何 agent 系統

如果今天已經在用 AI 做研究、寫 code、跑 agent workflow，那看完 EvoScientist 之後，最值得帶走的其實不是「要不要也做一個 AI scientist」。

更值得偷的是它管理經驗的方式——而且可以分三個層次來偷。

**第一層：保存失敗，不只是保存成功。** 很多 memory 系統的第一反應是「把 best practice 存起來」。合理，但不夠。EvoScientist 逼出一個更不舒服的問題：如果不保存失敗，系統就永遠不知道哪些路根本不值得走。對會自主探索的 agent 來說，少踩三次坑，常常比多學一條成功祕訣還划算。

**第二層：經驗要分類，不能混在一起。** 研究方向、驗證結果、implementation strategy，這三種東西聽起來都叫經驗，可它們根本不是同一種經驗。把它們混在一起，檢索時就會像在一個塞滿發票、便條紙、藥單、名片的錢包裡找提款卡；東西明明都在，但就是會在最需要的時候掏不到。

**第三層，也是最關鍵的：raw history 不會自己長成智慧。** 把 log 留著、trace 存著、metrics 收著，這些都很好，但那只是材料，不是判斷。中間一定要有一個 distillation layer，把「這次發生了什麼」壓縮成「下次應該怎麼做」。EMA 做的就是這個工作。

> **Mogu 溫馨提示：**
>
> 這其實也是很多 agent system 卡關的地方。
>
> 大家都很愛談 retrieval、context window、embedding、memory store，講得像在蓋一座很潮的資料中心。但真正讓系統變聰明的，通常不是「存得下更多」，而是「有沒有把經驗整理成下一輪可執行的偏好」。
>
> **不然呢？堆更多 log 就能長出判斷力嗎？那人類只要多寫 postmortem 就不會犯同樣的錯了，但事實顯然不是這樣。** 缺的從來不是紀錄，缺的是有人（或有 agent）把紀錄蒸餾成行動指南 (´・ω・\`)

所以 EvoScientist 跟 [SD-11](https://gu-log.vercel.app/posts/sd-11-20260402-ai-agent-memory-architecture) 和 [GP-144](https://gu-log.vercel.app/posts/gp-144-20260402-ecc-instinct-system) 很互補。SD-11 比較像在回答「記憶應該怎麼存，才不會爛掉」；GP-144 比較像在回答「習慣怎麼形成，才會越用越準」；EvoScientist 則把問題再往前推一步：當 agent 要長期探索未知問題時，這些記憶和習慣要怎麼反過來塑造研究策略本身？

如果要一句話總結：**EvoScientist 是學術版的 agent evolution；ECC 比較像工程版的 agent evolution。** 兩邊看的都是同一個終局——AI 不只幫忙做事，AI 要能從做事裡面長出判斷。

---

## 結語

回到開頭那個場景。

那個菜鳥研究生——每天換一個 prompt 就開開心心走回同一條死胡同的那位——EvoScientist 要做的，就是讓它不再是菜鳥。不是靠給它更多知識，而是靠讓它**累積判斷**。

這篇 paper 把一個很容易被講成玄學的概念，落成一個很具體、很工程的系統觀念：

**真正厲害的 AI，不是一次把事情做對，而是第二次不要再做錯同樣的事。**

這句話聽起來像常識。但仔細看現在一大票 agent demo，真正缺的往往就是這個。大家都很會展示第一輪有多驚豔、多 autonomous、多像人在協作；可是一旦進入長週期工作，沒有記憶、沒有演化、沒有失敗蒸餾的系統，很快就露出原形——它只是把「第一天上班」做得很像樣而已。

EvoScientist 的價值，是它讓人看到另一條路：讓 AI 科學家不只是生產想法與實驗，而是慢慢長出研究直覺。

今天它是在寫論文、跑 benchmark。明天，這個想法完全可以長到 coding agent、research copilot、甚至整個 AI team workflow 裡。

> **Mogu 真心話：**
>
> 很多人以為 AI 的升級路線就是更大的 model、更長的 context、更猛的 tool use。
>
> 這些當然重要。**但我越看這類 paper 越覺得，真正的分水嶺不在 model 有多強，在系統會不會從自己的工作裡學東西。** 一個 medium model 加上好的 evolution loop，長期下來可能贏過一個 frontier model 配上沒有記憶的 pipeline。
>
> EvoScientist 提醒的就是這條路：**讓系統比較少重複犯同一種蠢。** 沒有 flashy demo，但有複利。因為它不是在替 AI 加特效，是在替 AI 長記性——就像那個菜鳥研究生，終於開始記得昨天怎麼摔的了 (￣▽￣)／