link: https://x.com/omarsar0/status/2110733945323368822 classification: x-tips source: X 账号 @omarsar0 (elvis) author: Jay update_date: 2026-10-16 repository: https://github.com/SakanaAI/AI-Scientist-v3 paper: arXiv:2610.18933 (October 2026)

Sakana AI · The Agentic Scientist：多智能体编程智能体编排科学发现框架

这是什么

The Agentic Scientist 是 Sakana AI 发布的下一代 AI Scientist 系统（GitHub 仓库为 SakanaAI/AI-Scientist-v3），通过编排多个专业化编程智能体（coding agents）实现更严谨、证据驱动的自动化科学研究流程。

其核心论文《The Agentic Scientist: Orchestrating Coding Agents for Automated Scientific (Co-)Discovery》（arXiv:2610.18933，2026年10月）已被 ALIFE 2026 接收并作口头报告。该论文由 Robert Tjarko Lange、Luca Grillotti、Yutaro Yamada、Rujikorn Charakorn、David Ha（均属 Sakana AI）共同完成。

核验来源

来源 链接
原帖 https://x.com/omarsar0/status/2110733945323368822
官方论文页 https://pub.sakana.ai/agentic-scientist
GitHub 仓库 https://github.com/SakanaAI/AI-Scientist-v3
arXiv 预印本 arXiv:2610.18933

⚠️ 说明：原帖正文仅 2 段话，是对一篇论文的口碑推荐，不含技术细节。核心技术参数（架构、流程、安全说明）来自上述 GitHub 官方 README 和论文页面，属于二次引用链。本次以官方文档为主要依据，原帖视为入口索引。

核心架构

多阶段流水线

The Agentic Scientist 将科学研究拆解为以下阶段，每个阶段由专门的编程智能体负责：

  1. Task Drafting（任务起草）
  2. Ideation（构思）
  3. Planning（规划）
  4. Sandboxed Experiments（沙箱实验）
  5. Baselines & Ablations（基线与消融）
  6. Analysis（分析）
  7. Report Writing（报告撰写）

元控制器（Meta-Controller）

一个 meta-controller 统筹协调：并行运行多个智能体，并对每个阶段按 rubric（评分规则）进行核查。论文的消融实验（ablations）表明，可靠的自主性同时依赖于基础模型能力和这个编排层——两者缺一不可。

一次运行一个目录

整个流程（从 ideas → experiments → evaluation → analysis → paper）所有产物集中在一个 run/ 目录下，保证可复现性。

支持的智能体后端

据 GitHub README，Agentic Scientist 通过 Headless CLI 驱动以下编程智能体：

  • claude
  • codex
  • cursor
  • opencode
  • gemini
  • pi

使用方式示例：agent.name=<agent> agent.model=<model>（Hydra 配置覆盖）。

关键成果

  • 基于该系统早期版本的研究成果（Error Diffusion，一种受生物启发的反向传播替代方案）产出了一篇论文，并被 ALIFE 2026 录用为口头报告（main-conference talk）。
  • 该系统还被应用于长上下文模型适应、RL 微调、学习优化器等多个机器学习研究问题。
  • AI Scientist-v2（更早版本）产出了首篇完全由 AI 撰写并通过同行评审接收的 workshop 论文（2025年）。

上手步骤

1. 安装

git clone https://github.com/SakanaAI/AI-Scientist-v3.git
cd AI-Scientist-v3
# 参照仓库 README 完成依赖安装

2. 准备任务描述

创建 task.md（或参照仓库示例），描述研究主题和目标：

# My Research Task
[定义研究方向、关键词、目标]

3. 生成 Ideas

python perform_ideation_temp_free.py --idea_file ideas/my_topic.md

4. 启动 Agentic Scientist（BFTS 模式）

python launch_scientist_bfts.py --load_ideas <生成的 JSON 文件>

5. Dry-run 验证

agsci run --dry-run

添加 --dry-run 可验证配置并预览实际命令，不执行任何操作。

注意：所有选项均通过 Hydra key=value 覆盖传递，agsci run --help 列出全部可用参数。

安全注意事项

⚠️ Security Note（官方原文）：

"Agentic Scientist launches coding agents with full tool permissions (Headless --allow yolo). They can run arbitrary commands and inherit the API keys you give them, and the task files and papers they read steer what they do. Keep runs inside the Docker image rather than on your workstation, only run tasks and sources you trust, and review run directories before sharing them."

核心要点： - 智能体拥有完整工具权限，可执行任意命令 - 建议在 Docker 镜像内运行，而非宿主机 - 只处理可信的任务和来源文件 - 分享前审查运行目录（日志可能包含文档内容和路径信息）

适用边界

适合 不适合
机器学习研究（RL、LSTM、learned optimizers 等） 需要精确物理仿真或外部硬件的实验
代码可描述的研究问题（有明确 rubric 评估） 开放式哲学或无法形式化的研究
大量并行实验探索（需 BFTS 等搜索策略） 单次小规模验证
有可信沙箱隔离环境的场景 生产环境直接接入 API key 的工作站

局限性说明

  • 论文消融实验已指出：基础模型能力不足时，编排层再完善也无法保证可靠输出——系统表现高度依赖底层模型水平。
  • 研究方向需由人类在 task.md 中定义，系统负责执行和迭代，不适合完全无人类引导的开放探索。
  • Docker 隔离要求增加了部署复杂度，非技术团队需额外准备。

引用

@article{agentic_scientist,
  title = {The Agentic Scientist: Orchestrating Coding Agents for Automated Scientific (Co-)Discovery},
  author = {Lange, Robert Tjarko and Grillotti, Luca and Yamada, Yutaro and Charakorn, Rujikorn and Ha, David},
  journal = {arXiv preprint arXiv:2610.18933},
  year = {2026}
}

分类：x-tips | 来源：X @omarsar0 | 作者：Jay | 更新：2026-10-16