NanoResearch：通过技能、记忆与策略协同演化实现个性化研究自动化 NanoResearch: Co-Evolving Skills, Memory, and Policy for Personalized Research Automation

完整方法流程如下。Step 1：构建用户档案 $U$，通过交互式问答获取研究领域、方法偏好、风险偏好、预算、目标会议风格等。Step 2（Stage I 启动）：Orchestrator 从 $\mathcal{S}, \mathcal{M}$ 检索 $\mathcal{S}_I, \mathcal{M}_I = \text{Retrieve}(\mathcal{S}, \mathcal{M} | T, U)$，然后产出高层计划 $P_I = \text{Plan}(T, U | \mathcal{S}_I, \mathcal{M}_I)$。Step 3：ReAct 循环通过 OpenAlex、arXiv、Semantic Scholar 等接口拉取相关论文 $L$，并用量化证据抽取机制直接从论文中解析性能得分得到证据 $E$，再生成 $K$ 个候选假设 $H = \{h_1, \dots, h_K\}$，做新颖性验证后挑出 $h^*$。Step 4：把 $h^*$ 翻译成 JSON 格式的实验蓝图 $B$（含数据集、基线、架构、评估指标、消融），内部 reviewer 给出 $c_B$ 驱动的迭代精炼 $B^{(t+1)} = \text{Refine}(B^{(t)}, c_B^{(t)}, P_P, E)$。Step 5（Stage II）：Orchestrator 拉取编码相关 skill $\mathcal{S}_C$ 和项目记忆 $\mathcal{M}_C$ 生成代码 $W$，部署到 SLURM 集群后做自动 debug $W^{(t+1)} = \text{Debug}(W^{(t)} | \mathcal{S}_C, \mathcal{M}_C)$，成功后将日志 $R_{raw}$ 解析为分析报告 $A$。Step 6（Stage III）：Orchestrator 拉取写作相关 skill $\mathcal{S}_W$ 和 $\mathcal{M}_W$ 生成 LaTeX 草稿，盲审式 Review 不带 skill/memory 检索，给出 feedback $f_R$ 驱动的修订 $\text{Draft}^{(t+1)} = \text{Revise}(\text{Draft}^{(t)}, f_R^{(t)})$。Step 7：每阶段结束后 Orchestrator 反思轨迹 $\tau$ 做更新 $\mathcal{S}^{(t+1)} = \mathcal{S}^{(t)} \cup \text{Distill}_{skill}(\tau)$，$\mathcal{M}^{(t+1)} = \mathcal{M}^{(t)} \cup \text{Summarize}_{mem}(\tau)$，并对语义重叠条目做合并。Step 8：用户反馈 $F$ 被编码为 Orchestrator Planner 的 SDPO 更新，使 $\pi_\theta$ 持续吸收偏好。

技术新颖性体现在三个层面。第一个新颖性是跨层级 Retrieve/Update 协议：检索阶段对 skill 使用"使用频率 + 置信度"的混合打分以突出鲁棒策略，对 memory 使用"严格条件匹配"以只返回项目特定经验；更新阶段用 $\text{Distill}_{skill}$ 把可泛化规则（如确定性的实验协议、one-factor 消融设计）抽进 Skill Bank，用 $\text{Summarize}_{mem}$ 把项目级事实（如 baseline 协议、失败假设）写进 Memory。第二个新颖性是 SDPO 适配到 Planner 的 logit 级策略优化：把反馈条件化的策略作为 self-teacher 给出 token 级 advantage，无需奖励模型或偏好标注数据，这在 RAG/agent 场景中尤其重要，因为反馈通常是自然语言而非数值奖励。第三个新颖性是三阶段解耦的 review 策略：Stage III 的 Review agent 被刻意剥离 skill/memory 检索，让它能像外部审稿人一样对草稿做无偏评估，这避免了自我强化循环。新颖性还体现在对多轮迭代的纵向利用——Table 4 显示 Skill Bank 从 R1 的 0.80 涨到 R3 的 2.30、Memory 从 6.40 涨到 12.00，三层级是真在持续生长而不是空转。

从独立分析看，几个弱点值得改进方向。第一，'个性化档案 $U$'是手工构造的强先验（附录 E 中三个档案的字段从研究偏好、资源预算到 LaTeX 模板都被显式指定），但论文没提供从用户历史论文/已发表成果中自动抽取 $U$ 的方法，落地时需要研究者手动填表，改成 LLM 解析用户 arXiv/Google Scholar 主页自动构建档案会更实用。第二，Skill Bank 的'蒸馏'和'Memory 的总结'都依赖 Orchestrator 的反思 LLM 调用，本质是 LLM 总结 LLM，可能引入错误积累；建议加入'技能有效性验证'步骤，即对每条新 skill 在后续任务上做 A/B 检验，长期不提升的 skill 应当被剪枝。第三，SDPO 把反馈转成 Planner 的参数修改，但 Planner 是 Qwen3-8B 这种小模型，多轮 SDPO 后可能出现过拟合到当前用户偏好的风险，特别是对噪声反馈的鲁棒性未做评估；建议加入 KL 约束或与 base policy 的回退机制。第四，论文缺乏失败模式分析：当 reviewer 在 Stage I 拒绝所有 $K$ 个候选假设、或者 Stage II 的 debug 循环跑满 retry budget 仍失败时，NanoResearch 是怎么降级/汇报的？目前看是默默退回到 $h^*$ 的次优选项，没有显示失败-恢复路径。第五，评测依赖 LLM judge，与 AI Scientist-v2、EvoScientist 等之前的工作不直接可比，不同论文用的 LLM judge 强度不一样；建议后续工作做 human study 的大规模复现或用胜率/Elo 等独立指标。第六，Figure 5 显示同一主题下三种用户得到三种'本质不同'的方法，这反过来说明系统对档案的鲁棒性较弱：档案稍微改一个字眼，蓝图可能跳到完全不同的方法，对一个想'我先看看有几种可能'的用户来说不友好。

作者和本文成果都指向若干可延伸方向。第一，作者明确点出把 NanoResearch 推广到生物/化学/物理等需要'湿实验 + 仪器控制'的学科是一条非平凡的下一步，需要把 Stage II 的 SLURM 集群 + Python 流水线换成对实体机器人/移液工作站的接口。第二，Table 1 的 R1→R3 Perf 提升 10.3%、E2E 始终 100%，但系统能否持续到 R5/R10 仍未验证；当 Skill Bank 涨到几百条、MEM 涨到上千条时，检索的 top-k 还能不能精准命中是个开放问题，需要做长程演化曲线实验。第三，Figure 5 的多用户 case study 暗示了一个'研究计划推荐器'的可能应用：用同一份用户档案，让 NanoResearch 给出 $K$ 个不同方法供用户挑选，再基于用户选择做 SDPO——这会改变 pipeline 的并行性。第四，跨用户的'协作演化'也很值得探索：多个研究者共用一个 Skill Bank，每个人的偏好作为子策略存在，这种 multi-tenant 形态在企业内部研究协作里特别有用。第五，把 SDPO 推广到 reward model-free 的偏好对齐与 RLHF 之外的第三种人类反馈形式（自由语言反馈）的对比研究会很有意义；本文已经把这一想法落地在 planner 上，但其它组件（coding、writing agent）的反馈内部化还没做。第六，论文的 baseline 都是开源多智能体系统，但没与闭源的 GPT-Researcher、Claude with Research Tools 等商业产品做对比，未来的工作可以加上这条线。

复现性整体较好但仍有门槛。论文在摘要中明示有 Code 和 Dataset 公开（具体仓库链接未在截取文本中给出，但明确承诺发布），并且附录 F 给出了 20 个研究任务完整的 JSON schema，可直接被任何系统解析。模型栈完全公开：Planner 是 Qwen3-8B（可微调的小模型）、Ideation/Planning/Setup 用 DeepSeek-V3.2、Coding/Debugging 用 GPT-5.3-Codex、Writing 与图表代码生成用 Claude Sonnet 4.6、图像生成用 Gemini 3.1 Flash、Review 用 Gemini 3.1 Flash Lite、Revision 用 Gemini 3 Pro。算力方面，单任务最大预算为 1-2 张 A100 80GB 跑 3-5 天，远低于大模型预训练。但有几点增加复现难度：(1) 整个系统的端到端复现需要至少 6 个不同 LLM 的 API 凭证和付费额度，单一研究者难以承担；(2) 评测用了 3 位 PhD 的人工打分（Table 5/6），新研究者复现实验时拿到不同 LLM 版本的 judge，分数不可直接比较；(3) SDPO 的训练细节、Planner 的初始权重与超参在文中没有完整描述（论文只给了 gradient 形式），需要参考 SDPO 原论文 [6]；(4) 模拟科学家的角色扮演 prompt（附录 4.2.4）虽然已给出，但 Claude Sonnet 4.6 模型版本在未来会变化，prompt 同样文本下行为可能漂移；(5) 20 个任务覆盖 7 个领域，每个任务都有不同 dataset、baseline、metric，复现所有任务需要相当大的算力和数据准备时间。综合看，算法思路可复现，但完整 benchmark 复现成本高，建议先复现 R1 的主要数字、再做小规模 abaltion 验证。