AgenticScience/Awesome-Agent-Scientists

解决的问题

科学发现正从人类使用AI作为工具，转向AI代理能够自主提出假设、设计实验和完善理论。然而，先前的工作是零散的，侧重于工作流、自主性或架构等不同方面，并且常常忽视自然科学。本项目通过提供统一框架和首个面向领域的代理科学综述来弥合这一差距。

工作原理

该仓库是Intern Discovery项目的一部分，将全面的调查组织为结构化的论文和资源列表。它引入了一个框架，识别科学代理的五个核心能力：推理与规划、工具使用、记忆、多代理协作以及优化/进化。它还定义了一个四阶段动态工作流：观察与假设生成、实验规划与执行、数据解释与分析、综合与迭代改进。内容分为几个部分——一个完全自主的研究流程，然后是对生命科学、化学、材料科学和物理学的系统综述，每个部分都有子类别。

适用对象

适用于研究人员、AI/ML从业者和自然科学家，他们希望了解用于科学发现的AI代理领域，识别相关框架，或为自己的工作获得灵感。它也可作为跨学科领域学生和教育者的参考。

亮点

• 首个面向领域的自主科学发现综述，涵盖生命科学、化学、材料科学和物理学。
• 将科学代理分解为五个核心能力：推理/规划、工具使用、记忆、多代理协作和优化/进化。
• 四阶段动态工作流模型：观察/假设、实验规划/执行、数据解释、综合/改进。
• 精选的论文和项目列表，从通用流程到特定领域的代理。
• 包含arXiv上的配套论文和官方主页，支持引用。