EvoScientist/EvoSkills

解決的問題

EvoSkills 提供一個可安裝的「知識套件」綜合庫，旨在自動化並增強學術研究的全生命週期。它透過提供從初始文獻發現與創意生成，到實驗執行、論文撰寫與同儕審查反駁的結構化、代理式協定，解決了研究工作流程碎片化的問題。

如何運作

每個技能都是自包含的模組，可安裝至 AI 代理中（特別針對 EvoScientist 優化，但可透過 skills.sh 與其他編碼代理相容）。這些技能實現了嚴謹的多階段工作流程：

• 研究與創意生成：使用文獻基礎與 Elo 比賽對研究提案進行排名與精煉。
• 實驗：實現四階段執行流水線（實作、調校、建議方法、消融分析），包含嘗試預算與結構化日誌。
• 撰寫與審查：提供 11 步草稿工作流程、LaTeX 模板與對抗性自我審查策略，模擬拒稿以提升品質。
• 記憶與進化：evo-memory 技能建立一個持久層，追蹤成功與失敗的研究方向，使代理能在多個研究週期中進化其策略。
• 專用工具：包含專門用於生成出版級 Matplotlib 圖形、建立學術簡報，以及數學領域的 Tao 風格嚴謹證明工作流程的模組。

適用對象

需要標準化、高品質框架進行科學探究與論文撰寫的學術研究者、AI 科學家，以及開發自主研究代理的開發者。

主要亮點

• 端對端流程：涵蓋整個研究循環：創意生成 $ ightarrow$ 實驗 $ ightarrow$ 撰寫 $ ightarrow$ 審查。
• 自我進化：持久記憶機制（IDE、IVE、ESE）使代理能從多個週期的成功與失敗中學習。
• 嚴謹協定：使用「反直覺」規則與結構化預算，防止代理在編碼或實驗中陷入死胡同。
• 廣泛工具支援：包含用於外部工具整合（如 arXiv、網路搜尋）的 MCP 伺服器與用於簡報的專用視覺化生成工具。
• 數學嚴謹性：專為奧林匹克級設計的證明工作流程，具備校準的放棄機制，避免「幻覺」式證明。