EvoScientist/EvoScientist

EvoScientist – 自我演进的 AI 研究助理

简介 – EvoScientist 是一个基于 Python 的框架，让一组由 LLM 驱动的代理团队扮演自主的“AI 科学家”。这些代理协同合作进行规划、研究、编写代码、除错、分析数据并草拟论文，同时持续改进自身的记忆与技能。

核心理念

• 人在回路 (Human-on-the-loop) – 系统可自主运行，但人类可随时介入、批准行动或排程定期研究任务。
• 自我演进记忆 – 观察结果会自动提炼成跨会话增长的知识图谱；重复出现的模式会转化为可重复使用的 AutoSkills。
• 多供应商、多渠道 – 支持数十种 LLM 供应商 (Anthropic, OpenAI, Google, MiniMax, NVIDIA 等)，并可通过桌面 Web UI、CLI/TUI 或 Telegram, Slack, WeChat 等通讯平台访问。
• 完整研究管线 – 摄入 → 规划 → 执行 → 评估 → 撰写 → 验证，全由六个子代理 (plan, research, code, debug, analyse, write) 协调。

主要功能

功能	说明
多代理团队	六个专业代理并行运作，通过 LangGraph 支持的工作流程共享观察结果。
自我演进记忆	观察结果链接至知识图谱；图谱在每轮运作时自动提炼。
AutoSkills	定期将可重复的模式提取为可安装的技能模块 (/autoskills)。
多模型供应商切换	单一配置文件即可在 Anthropic, OpenAI, Google, MiniMax, NVIDIA 等之间切换。
多渠道访问	同一会话可从 CLI, Web UI, Telegram, Slack, Feishu, WeChat 等访问。
桌面 Web UI	镜像 CLI 会话的浏览器工作区 (--ui webui)。
排程 / Cron 风格任务	定义无人值守的定期研究工作并回报结果。
自适应工具选择	每轮仅暴露最相关的工具，减少杂乱。
上下文编辑	根据对话状态即时重写系统提示词。
MCP 与技能插件	加载外部“微控制程序”(Micro-Control-Program) 服务器或安装来自 GitHub 的社区技能。

典型应用场景

• 文献回顾与假设生成 – research 子代理扫描论文、提取见解并提出新想法。
• 原型代码与除错 – code 与 debug 代理自动编写、执行并修复脚本。
• 数据分析管线 – analyse 代理加载数据集、执行统计或机器学习分析并产生可视化图表。
• 论文草稿撰写 – write 代理撰写章节、格式化引用并迭代优化论文。
• 长期项目 – 排程每周“执行”一次，让系统探索主题、产生代码并通过电子邮件发送摘要。

入门指南

1. 通过 PyPI 安装: pip install EvoScientist (目前版本 0.3.3)。
2. 运行 CLI: evo sci start --ui webui 启动浏览器 UI，或使用 evo sci start 进入终端界面。
3. 在 ~/.evo_scientist/config.yaml 中设置您的 LLM 供应商 (OpenAI, Anthropic 等的 API 密钥)。
4. 使用斜线指令如 /plan <topic>, /schedule “every Monday” 或 /expert <skill> 来引导代理。
5. 使用 /autoskills 审核生成的 AutoSkills，并从配套的 EvoSkills 仓库安装社区套件。

文档与社区

• 网站 – https://EvoScientist.github.io/ (演示、教程、API 参考)。
• 技术报告 – arXiv:2603.08127 (详细说明架构与基准测试结果)。
• 基准测试 – 在 DeepResearch Bench, AstaBench 与 ResearchClawBench (2025-2026) 中持续排名第一。
• 授权 – Apache 2.0 (宽松、商业友好)。

重要性 EvoScientist 将 LLM 驱动的工具使用、LangGraph 协调与记忆图谱提炼的最新进展整合为一个即开即用的研究助理。通过自动化重复性的科学任务并保留人类监督，旨在加速发现并降低研究人员进行 AI 辅助科学实验的门槛。