EvoScientist：自我进化的 AI 科学家
通过自我进化的 AI 科学家实现“氛围研究”，自主探索、生成洞察并持续改进。
- Star 数
- ★ 5k
- 最近更新
- 2 天前
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 51/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台OpenAI API · Claude API
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 研究人员可自动化整个研究生命周期，从文献综述到数据分析再到论文撰写，并通过 EvoScientist 的 WebUI 或 CLI 进行监控和交互。
- 不适合
- 不愿为 Anthropic、OpenAI 等模型按量付费的用户
- 需要 iMessage 通道的用户，容器内无法使用
- 源码审查
- 51/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
EvoScientist 是一个基于 Python 的、用于自动化科学研究的多代理框架，采用“人在环上”范式，AI 作为研究伙伴与人类研究人员共同进化。它包含一个由 6 个子代理（规划、研究、编码、调试、分析、写作）组成的多代理团队，一个在对话中自动蒸馏并自链接为知识图谱的自进化记忆系统，以及 AutoSkills，它从记忆中提炼可重用技能供用户审查。它支持多个 LLM 提供商（Anthropic、OpenAI、Google、MiniMax、NVIDIA）和多种渠道（CLI/TUI、WebUI、Telegram、Slack、飞书、微信等）。工作流遵循科学流程：输入→规划→执行→评估→写作→验证。EvoScientist 在 DeepResearch Bench、AstaBench 等基准测试中名列前茅，并在 ICAIS 2025 上获得最佳论文奖。安装通过 pip 或 uv 进行，也提供 Docker 镜像。
运行一个遵循科学工作流的多代理系统：首先接收研究主题，然后由规划代理制定计划，研究代理收集信息，代码代理编写和调试代码以进行分析，分析代理评估结果，最后由写作代理生成报告。代理可以执行 shell 命令（需人工审批），从 Tavily 等工具进行网络搜索，并通过 MCP 服务器访问外部工具。记忆系统将观察结果蒸馏成知识图谱，AutoSkills 从中提炼可复用的技能。用户可以计划定时任务（cron 风格），通过 CLI /schedule 命令管理，也可以与代理交互，代理可在需要澄清时主动提问。EvoScientist 提供 CLI (EvoSci)、交互式 TUI、基于 Web 的工作区 UI (--ui webui) 和用于外部 SDK 客户端的独立 LangGraph 服务器 (serve/deploy)。
- 研究人员可自动化整个研究生命周期，从文献综述到数据分析再到论文撰写，并通过 EvoScientist 的 WebUI 或 CLI 进行监控和交互。
- 数据科学家可以进行探索性数据分析，利用代理生成的 Python 代码自动发现数据中的模式，并可通过 AskUser 功能获得代理主动提问的协助。
- 团队负责人可以安排定时任务（如 cron 风格），让代理定期检查实验状态或向指定消息渠道汇报每日论文摘要。
- 开发者可以将 EvoScientist 作为 AI 编码代理集成到他们的工作流程中，利用其代码生成、调试以及通过 MCP 服务器和技能安装实现的外部工具集成能力。
- 需要长期、持续研究项目的用户可以利用自进化记忆功能，该功能在多次会话中保留领域知识并累积知识图谱，从而实现更明智的后续研究。
如何安装或部署这个 Agent？
通过 uv 或 pip 安装：uv tool install EvoScientist 或 pip install EvoScientist。可选渠道：uv pip install "EvoScientist[telegram]" 等。或者，使用 Docker：docker run -it --rm --env-file .env -v "$(pwd)/workspace:/workspace" -v evosci-data:/home/evosci/.evoscientist ghcr.io/evoscientist/evoscientist:latest。需要 Python 3.11 或更高版本（<3.14）。初始化配置：EvoSci onboard 以交互方式设置 API 密钥和模型选择。确保至少设置一个 LLM API 密钥（例如 ANTHROPIC_API_KEY、OPENAI_API_KEY）。
如何使用这个 Agent？
配置 API 密钥后，通过运行 EvoSci 启动交互式 TUI，或使用 EvoSci --ui webui 启动浏览器 UI，再或使用 EvoSci serve 或 EvoSci deploy 以无头模式启动。使用 EvoSci -p "你的问题" 进行单次查询。使用 /schedule add 命令安排定时任务。使用 /skills 管理技能，使用 /mcp 管理 MCP 服务器。对于编程访问，可以使用 EvoScientist.EvoScientist_agent.stream() 传递消息并从返回值中读取状态。
这个 Agent 有哪些优点和局限？
- 在多学科基准测试中持续排名第一（例如，DeepResearch Bench、AstaBench、ResearchClawBench），并被 6/6 会议接受，其中包括最佳论文奖。
- 提供多代理结构和科学工作流模板，针对研究现实，包括根据记忆自动提炼技能。
- 支持多种 LLM 提供商和多种消息渠道，实现灵活部署和交互便利。
- 包含自进化记忆知识图谱，使知识跨会话累积。
- 强烈依赖外部 LLM API（Anthropic、OpenAI、Google 等），意味着持续成本和潜在的网络依赖性。
- 若使用 WebUI，则要求 Node.js 24+，否则 TUI/CLI 也有一定运行时要求。
- 默认需要人工审批 shell 命令，增加摩擦，尽管可配置自动审批。
- 文档中列出的 WebUI 或移动功能与演示视频相关，但构建/部署的具体细节仍需从仓库中推断。
这个 Agent 与同类方案有什么区别？
在 AI 研究代理领域，根据公开基准，EvoScientist 在 DeepResearch Bench 等 Benchmarks 上排名第一，超越了其他知名的深度研究代理。其自我进化的记忆和 AutoSkills 功能与其他静态代理不同。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| EvoScientist：自我进化的 AI 科学家 当前 | 51 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 5k | 2 天前 | Python | OpenAI API · Claude API |
| Yuxi（语析）——可私有部署的多租户知识智能体平台 | 41 · 缺口较多 | 自托管服务免费 + 模型费 | ★ 7.4k | 2 天前 | Python | OpenAI API |
| TradingCodex | 54 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 373 | 2 个月前 | Python | Codex |
| Principia | 66 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 1.1k | 17 天前 | Rich Text Format | — |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示：README 提到 human-in-the-loop 审批（v0.2.5 统一审批），Docker 容器以非 root 用户运行并限制 shell 访问，但未提供具体权限最小化细节。扣分：未详细说明工具权限范围、数据流透明性不足、敏感数据处理细节缺失、依赖安全未提及漏洞扫描、外部影响（如网络请求）未明确、回滚机制未说明、来源归属仅作者信息。
证据显示：README 和 pyproject.toml 版本一致（0.2.6），依赖有版本约束，测试文件存在。扣分：失败消息处理未在文档中说明，依赖可用性未提供镜像或缓存策略。
证据显示：README 描述了多种使用场景（CLI、WebUI、移动端、Docker），支持多提供商和多渠道，能力边界有说明（如 iMessage 不可用）。扣分：触发精度（如命令语法）未详细说明，环境适配（如 Windows 问题）仅部分提及。
证据显示：README 结构清晰，安装说明详细，命名稳定（evosci 等），有版本变更日志，许可证为 Apache-2.0。扣分：示例和 FAQ 较少，已知限制未系统列出，维护责任未明确（仅作者信息）。
证据显示：输出格式有 stream-json 选项，功能丰富（多智能体、记忆、技能），边际价值高。扣分：成本效益未讨论，如 API 费用、资源消耗。
证据显示：README 声称排名和奖项，但未提供可验证的复现步骤或数据。扣分：声明缺乏可追溯性，交叉验证不足，事实与推断未明确分离。
- 发布者身份未验证，需谨慎对待来源。
- 依赖较多且部分未固定精确版本，存在供应链风险。
- README 中的排名和奖项声明缺乏可验证的复现数据。
- 敏感数据处理和权限最小化细节不足，需自行审查。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
EvoScientist v0.3.7 — One-Line Install, Rubrics & Goals and Proactive Follow-ups G'Day! v0.3.7 brings a one-line install for macOS, Windows and Linux together with EvoSci update, so an install always runs the dependency versions its release was tested with. Work can now be checked against acceptance criteria: --rubric for single-shot runs, /rubric for a thread, and /goal, which drafts the criteria for you. EvoSci serve follows up on its own in channel chats with /proactive, you can sign in with ChatGPT directly, and the backend now **answers browser reque …在 GitHub 查看 ↗ -
发布说明摘录
EvoScientist v0.3.6 — Skills Without /new, a Local WebUI & Git Bash on Windows G'Day! v0.3.6 makes skills apply mid-thread: skills you install, remove or edit take effect from the next message, and /skill-name pins a skill to a message on every surface. The WebUI now installs locally and starts offline, Windows agents run their commands in Git Bash set up by EvoSci setup, and sessions, memory and scheduled tasks are scoped to their project. Also new: Claude Haiku 5.5 on OpenRouter and the Opper provider. Under the hood: deepagents 0.7.23, langchain 1.4.4 an …在 GitHub 查看 ↗ -
发布说明摘录
EvoScientist v0.3.5 — GPT-6.1 Sol, EvoSci setup & Profile Memory That Survives Growth G'Day! v0.3.5 adds GPT-6.1 Sol on OpenAI and OpenRouter and introduces EvoSci setup, the first piece of the new installer: it brings in Node.js for the WebUI and npx MCP servers, and gives the agent's shell a research Python with numpy, pandas, matplotlib and scipy when the machine has no usable python. It also fixes profile memory vanishing from the prompt once the profile files grow past their budget. Under the hood: deepagents 0.7.21 and a routine dependency refresh (anthropi …在 GitHub 查看 ↗
常见问题
EvoScientist 需要哪些 API 密钥？
运行代理涉及哪些成本？
/schedule remove 命令取消不需要的定时任务。此外，代理执行的 shell 命令和外部工具也可能带来成本。EvoScientist 是否安全？
我能否在现有代码库上使用 EvoScientist？
--workdir。它支持代码生成和改进，可集成到现有开发工作流程中。