学术版腾讯 WorkBuddy：ScienceBuddy 科研智能体工作台开源

PaperSkill 2026-10-01 11:01 河南 以下文章来源于：PaperToday **PaperToday** 试过趁手的 Skill，分享给你  大家好，我是PaperTody，努力做最Nice的分享。 今年，腾讯的AI Agent产品**WorkBuddy**大火，主打一个全场景**AI办公工作台**。 办公场景被安排明白之后，一个自然的问题来了：**科研人员的「Buddy」在哪里？** 这不，学术版 WorkBuddy 真的来了——而且它不止帮你干活，还会**越用越强**。  **ScienceBuddy 是一个会「越用越强」的科研智能体工作台**——它把你日常提需求、给反馈、看结果的过程，自动变成训练任务和评分标准，然后一边改自己的工作流程（harness），一边强化学习底座模型，形成「递归套递归」的自我进化。 *能上线的产品&代码已开源* 现在的科研 Agent 有个共同的尴尬：**对话里纠正了它，下次它还是犯同样的错。**  Figure 1｜ ScienceBuddy 总览 ScienceBuddy 的答案是：**让真实协作本身来生产任务和评分标准**，用它们同时驱动两层进化。 ## 核心机制：递归套递归 整个系统的骨架是一张「**双循环**」图：  Figure 2｜递归套递归框架 拆开看就三层意思： * **内层递归（模型不动）**：一个固定的辅助模型（GPT-6 Astra）诊断失败轨迹，对 harness 的指令、技能、上下文设置提出「有界修改」；候选方案必须在配对开发评测上严格更好才被接受，否则回滚。  * **外层递归（harness 不动）**：用选定的 harness 校准任务难度、跑全新 on-policy 轨迹，rubric 打分当奖励，GRPO 更新模型权重。 * **耦合滚动**：新模型配继承的 harness 重新评测后上线，研究者继续使用，产生的交互又喂给下一轮。**后台升级期间线上服务不中断。** 那训练任务从哪来？答案是协作记录本身：  Figure 3｜从协作到 Harbor 任务 一次真实协作会被整理成自包含的任务包（instruction、资产、环境、rubric 测试脚本），同一份任务既能做拒绝采样 SFT，也能做 on-policy RL。注意论文特别强调：**研究者的认可不会被默认当作科学事实**，评分标准要经过冲突消解才入库。 ## 产品长什么样 这不只是个训练框架，而是一个真上线的工作台： * **224 个工具、22 个功能模块**，覆盖基因组学、分子与癌症生物学、药理学、生物成像、文献检索、数据库查询； * 运行时支持 Python / R / Bash，自带本地数据湖； * 文档、表格、序列、图片都能直接拖进对话框。  Figure 4｜多模态分析工作台 上面这个例子里，研究者丢了一张免疫信号通路图，Agent 把图拆成 APC–T 细胞激活、JAK/PDE4 信号等模块，逐个查数据湖和 PubMed／UniProt，最后给出靶点–证据表——**查到就是查到，没查到（CD40、AHR）也老实标注「无匹配记录」**。 而且全程可审计：Trajectory 面板里每一次工具调用的输入、输出、耗时都能点开看。  Figure 6｜执行轨迹可检查 ## 交互如何变成训练信号 论文给了两个真实案例：一个是小细胞肺癌 JAK1 研究设计，一个是 ARL4C 论文汇报 PPT。研究者一句「先聚焦 JAK1，机制后面再做」，就被转译成了任务目标、评分标准和交付物要求：  Figure 7｜从请求到任务规格 这一步是整个范式的「咽喉」——协作质量直接决定训练信号质量。 ## 实验：数字确实在涨 评测基于 LAB-Bench 和 Biomni-Eval1 的 895 个任务，覆盖文献阅读、数据库判断、实验排错、基因变异评估四大家族：  Table S1｜任务构成 **三轮「递归套递归」共演化**（Qwen3.5-4B 起步，每轮 10 步 harness 搜索 + 20 次 RL 更新）：  Figure 8｜三轮共演化动态 * harness 验证准确率三轮分别提升 38.9%→44.4%、34.4%→46.7%、61.1%→70.0%； * 测试集单次作答准确率 \*\*42.2% → 73.3%\*\*，33.3% 的题由错转对，只有 2.2% 退化； * 四个任务家族全线上涨。 **单独看 harness 进化**（模型权重冻结）：24 批自适应后，验证集首答准确率 **31.1% → 51.1%，+20 个百分点**。最终 harness 攒下了 4 条指令、9 个作用域技能，比如基因集归属检查、细胞带查询这类可复用程序。  Figure 9｜harness 自适应 **单独看模型 RL**（harness 冻结）：两小时训练后，pass@4 问题覆盖率 **48.3% → 67.8%，+19.5 个百分点**——同样预算内能解的题明显变多。  Figure 10｜固定 harness 下的模型学习 ## 最后 这篇论文最有价值的不是某个单点技术，而是**把「产品交互」和「自我改进」闭成了一个环**：用户用得越多，任务库和 rubric 越丰富，harness 和模型就越强，强者又能接更难的活——正是 Silver 和 Sutton「经验时代」那句引文的落地姿态。  ``` ScienceBuddy: Recursive-in-Recursive Self-Improvement for Interactive Scientific Agents Arxiv：2609.17523 ``` [跳转微信打开](https://wechat2rss.bestblogs.dev/link-proxy/?k=c0fcc891&r=1&u=https%3A%2F%2Fmp.weixin.qq.com%2Fs%3F__biz%3DMzk0MTYzMzMxMA%3D%3D%26mid%3D2247512303%26idx%3D2%26sn%3D2d04b73bb104c94f0031b276402cf984)