EvoScientist/EvoSkills

解决的问题

EvoSkills 提供一个可安装的「知识包」综合库，旨在自动化并增强学术研究的全生命周期。它通过提供从初始文献发现和创意生成，到实验执行、论文撰写和同行评审反驳的结构化、代理式协议，解决了研究工作流碎片化的问题。

如何工作

每个技能都是一个自包含的模块，可安装到 AI 代理中（特别针对 EvoScientist 优化，但可通过 skills.sh 与其它编码代理兼容）。这些技能实现了严谨的多阶段工作流：

• 研究与创意生成：使用文献基础和 Elo 比赛对研究提案进行排名和精炼。
• 实验：实现四阶段执行流水线（实现、调优、提议方法、消融分析），包含尝试预算和结构化日志。
• 撰写与评审：提供 11 步草稿工作流、LaTeX 模板和对抗性自我评审策略，模拟拒稿以提升质量。
• 记忆与进化：evo-memory 技能创建一个持久层，追踪成功与失败的研究方向，使代理能在多个研究周期中进化其策略。
• 专用工具：包含专门用于生成出版级 Matplotlib 图形、创建学术幻灯片，以及数学领域的 Tao 风格严谨证明工作流的模块。

适用人群

需要标准化、高质量框架进行科学探究和论文撰写的学术研究人员、AI 科学家以及开发自主研究代理的开发者。

主要亮点

• 端到端流程：覆盖整个研究循环：创意生成 $ ightarrow$ 实验 $ ightarrow$ 撰写 $ ightarrow$ 评审。
• 自我进化：持久记忆机制（IDE、IVE、ESE）使代理能够从多个周期的成功与失败中学习。
• 严谨协议：使用“反直觉”规则和结构化预算，防止代理在编码或实验中陷入死胡同。
• 广泛工具支持：包含用于外部工具集成（如 arXiv、网络搜索）的 MCP 服务器和用于演示的专用可视化生成工具。
• 数学严谨性：专为奥林匹克级别设计的证明工作流，具备校准的放弃机制，避免“幻觉”式证明。