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。
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。
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。
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。
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 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。
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。