自动化科研：从工具辅助
到自主发现的范式革命

核心贡献：首次实现了从"想法 → 代码 → 实验 → 写作 → 评审"的完整自动化闭环。

v1（2024.08）：基于人工代码模板的集中模式。4 个顺序阶段：想法生成（Semantic Scholar API 去重）→ 实验执行（线性计划）→ 手稿生成（LaTeX 模板）→ 自动评审（5 评审 + 元评审）。

v2（2025.04）：关键升级——消除人工模板，引入渐进式智能体树搜索（Progressive Agentic Tree Search），由实验管理器智能体统筹。新增 VLM 反馈循环优化图表质量。

Nature 论文关键实证：

• 3 人团队、5 个月、零手动编码生成 100 万行代码
• 自动评审员准确率与人类评审员相当（平衡准确率：人类 69% vs 自动 66%）
• 3 篇论文提交 ICLR 2025 研讨会（接受率 70%），1 篇获评分 6.33 超过接受阈值
• 论文质量随模型能力提升和计算资源增加呈明确正相关

核心创新：持久记忆驱动的自我进化。现有系统是"无状态"的——每次任务从零开始。EvoScientist 通过记忆库让 AI 越用越聪明。

三智能体架构：

• 研究智能体（RA）："点子大王"——生成候选想法，多轮竞赛评估新颖性/可行性/相关性/清晰度
• 工程智能体（EA）："技术专家"——四阶段递进实现：基础功能 → 参数调优 → 核心方法 → 对比实验
• 进化管理智能体（EMA）："智慧长者"——从每个项目中提炼可复用知识，维护记忆库

双记忆系统：

• 想法记忆库：记录成功方向 + 失败教训，语义检索引导后续探索
• 实验技巧记忆库：编程方法、数据处理策略、错误解决方案的操作手册

实证成果：

• 6 篇论文全部被 ICAIS 2025 接收（会议整体接收率仅 31.71%）
• 最佳论文：《基于超条件先验的自适应证据元学习心电图个性化方法》
• 代码执行成功率从 34.39% 提升至 44.56%（记忆积累效果）
• 与 7 个顶级系统对比，各维度胜率 >60%，最高达 96.67%

与 AI Scientist 的关键区别：AI Scientist 追求"数量"（大量生成论文），DeepScientist 追求"质量"（聚焦人类定义的前沿科学问题）。

核心方法：用贝叶斯优化建模科学发现全周期，在"探索新假设"和"利用已有知识"之间自动平衡。采用渐进式工作流：宽泛调研 → 聚焦假设 → 实验验证 → 结果分析 → 论文撰写。

特色能力：

• AutoFigure：将实验结果自动转化为可编辑的出版级科学图表
• 持久研究地图：每个分支的实验历史可追溯、可恢复
• 自适应扩展：当收益停滞时自动扩大搜索半径，引入新假设

定位差异：与 AI Scientist / EvoScientist 的"端到端论文生成"不同，ScienceClaw 更像一个全能科研助理——覆盖药物发现、天文学、化学材料等八大学科的全流程任务执行。

两个版本：

• 紫东太初版（scienceclaw.taichuai.cn）：基于 LangChain DeepAgents + AIO Sandbox，国产大模型驱动，容器隔离运行
• 开源版（github.com/Zaoqu-Liu/ScienceClaw）：266 个 Markdown 技能文件，"零代码"架构——用 SCIENCE.md (~600行) 定义 Agent 身份，技能以 MD 形式存在

技术亮点：

• 15+ 文献来源（PubMed、arXiv、ClinicalTrials.gov 等）自动检索
• 77+ 专业数据库 REST API 接入（基因组/蛋白质组/药理学/免疫学等）
• 6 个预置研究食谱：基因全景、靶点验证、文献综述、差异表达、临床查询、人物调研
• 一键导出 Word / PowerPoint / LaTeX