科研智能体不再各自为战：共享研究状态让失败实验变成下一个智能体的起点

科研智能体集群的自我改进被重新定义为演化可继承的研究状态，而不是改进单个智能体的代码、策略或流程。每个智能体从共享图里取用假设、程序、实验证据和未解决的需求来规划下一步，一次实验的结果会改变后续智能体出发时的状态。 此前的程序演化只靠执行反馈打磨可执行候选，假设演化只做迭代生成与评估，两者各自为战；已有系统把假设与程序、证据挂在持久假设树上，或评估竞争性的失败解释，但没有让一个智能体的反馈和中间结果直接改写另一个智能体的起点。 在NatureBench全部90个任务上，去掉共享图后Match-SOTA下降7.8个百分点，去掉自适应的假设/程序选择后下降8.9个百分点，五个消融变体的平均分下降的配对95%置信区间均不含零。

反馈引导的集群变异用其他智能体的实验反馈来判断该改假设还是该修程序：跨实例的差异指向研究方向需要修正，执行失败或干预未生效指向实现需要修复。互补的集群重组则把整体得分不高但局部有用的程序重新利用起来。 过去一个失败的实验无法区分是假设有问题还是实现有问题，一个整体表现不佳的程序也容易被整体丢弃，其中的有用组件随之被埋没。 在OpenProblems六个单细胞任务上，SwarmRSI用DeepSeek-V4-Pro取得74.2的平均分，高于TusoAI的67.1；用Gemini 3.1 Pro Preview取得76.2，为对比方法中最高。在NatureBench上，同一骨干下Match-SOTA比Arbor高7.8个百分点、比AIDE高16.7个百分点，配对自助法95%置信区间分别为[2.2, 13.3]和[8.9, 24.4]。

重组操作把保留的假设搬到别的智能体的程序上重测，并把在部分实例上更强的程序组件组合进新候选。重基操作保持假设内容不变，只换一个实现底座；交叉操作按每个实例上观察到的优势挑选供体，供体在哪些实例上更强就贡献哪些组件，其余实例保留父代组件。 此前的做法要么只在一个程序谱系内演化，要么把没有整体增益的程序排除在后续搜索之外，跨智能体的假设与组件复用没有固定机制。 在DeepSeek-V4-Pro的一个种子、覆盖全部90个NatureBench任务的运行中，约77%的最终最优程序可追溯到至少一次重基、交叉或由反馈触发的更新；这些更新共296次尝试，产生84个新最优，新最优率28.4%，高于全部更新的21.9%。

演化出的程序被生物学家复现并用于后续分析，而不只是停留在基准分数上。 基准分数本身不能说明程序在真实数据分析中是否可用，此前的智能体系统很少报告领域专家对生成程序的独立复现。 在肠道数据上，复现程序给出的MHC-II局部一致性在蠕虫感染第10天的两个来源上经协变量调整后的Spearman相关系数为0.77和0.69，高于RNA PCA的0.65和0.40；在脾脏数据上，程序把CytoCommunity任务的指标从0.045提升到0.102，专家随后按局部细胞组成对B细胞邻域做了分组。

这套方法适用于能够执行候选程序并给出反馈的研究任务，评测覆盖OpenProblems、NatureBench和MLE-Bench Lite三个基准族，在匹配预算下与程序演化、假设演化和通用编码智能体比较。跨任务证据来自六个源任务、12个留出任务和单一骨干，三代状态继承后留出任务平均分从12.01升到21.89，Match-SOTA从41.7%升到86.1%。生物案例使用已有数据集，程序由生物学家复现后用于肠道和脾脏免疫的后续分析。

执行反馈并不总能揭示预期干预是否被忠实实现，性能提升本身也不能确立其科学机制。重基按记录的实现需求与程序机制标签匹配来选底座，这一启发式并不度量程序实际能做什么；交叉只在基准按实例报告分数时适用；假设/程序选择借用了折扣UCB但没有继承其理论保证，其收益仅由实验确立。人工失败分析刻画了35条任务轨迹中的644次失败尝试，跨任务证据的代际与所见源任务数量存在混淆。评测未单独评估文献综述、想法质量或同行评审质量，也未测试法律推理、零样本实体抽取、对话推荐和购物研究等场景。