EvoScientist/EvoSkills

해결하는 문제

EvoSkills는 학술 연구 생애 주기 전체를 자동화하고 강화하기 위해 설계된 설치 가능한 "지식 팩"의 포괄적인 라이브러리를 제공합니다. 초기 문헌 탐색 및 아이디어 생성에서 실험 실행, 논문 작성, 심사 반박에 이르기까지, 구조화된 에이전트 프로토콜을 제공함으로써 분산된 연구 워크플로우 문제를 해결합니다.

작동 방식

각 스킬은 자체적으로 완전한 모듈로, AI 에이전트(특히 EvoScientist에 최적화되었지만, skills.sh를 통해 다른 코딩 에이전트와도 호환 가능)에 설치할 수 있습니다. 이러한 스킬들은 엄격한 다단계 워크플로우를 구현합니다:

• 연구 및 아이디어 도출: 문헌 기반과 Elo 토너먼트를 사용해 연구 제안을 순위 매기고 정제합니다.
• 실험: 구현, 튜닝, 제안된 방법, 아블레이션의 4단계 실행 파이프라인을 구현하며, 시도 예산과 구조화된 로깅을 적용합니다.
• 작성 및 심사: 11단계 초안 워크플로우, LaTeX 템플릿, 적대적 자기 검토 전략을 제공하여 거절을 시뮬레이션하고 품질을 향상시킵니다.
• 메모리 및 진화: evo-memory 스킬은 성공 및 실패한 연구 방향을 추적하는 지속 가능한 레이어를 생성하여, 여러 연구 사이클에 걸쳐 에이전트의 전략을 진화시킵니다.
• 전문 도구: 출판용 Matplotlib 그래프 생성, 학술 슬라이드 제작, 수학용 타오 스타일의 엄격한 증명 워크플로우를 포함합니다.

대상 사용자

학술 연구자, AI 과학자, 자율 연구 에이전트를 개발하는 개발자로서, 과학적 탐구와 논문 초안 작성에 표준화되고 고품질의 프레임워크가 필요한 분들입니다.

주요 특징

• 엔드투엔드 파이프라인: 아이디어 생성 $ ightarrow$ 실험 $ ightarrow$ 작성 $ ightarrow$ 심사까지 연구 루프 전체를 커버합니다.
• 자기 진화: IDE, IVE, ESE와 같은 지속적 메모리 메커니즘을 통해 에이전트가 사이클 간에 실패와 성공에서 배울 수 있습니다.
• 엄격한 프로토콜: "직관에 반하는" 규칙과 구조화된 예산을 사용해 에이전트가 코딩이나 실험 중에 빠져들지 않도록 방지합니다.
• 광범위한 도구: 외부 도구 통합(MCP 서버, 예: arXiv, 웹 검색) 및 발표용 전용 시각화 생성을 포함합니다.
• 수학적 엄격성: 보정된 기각(abstention)을 갖춘 올림피아드 수준의 증명 워크플로우로 "환각 증명"을 피합니다.