Épi：迈向持续、自我改进的自主研究智能体 Epi: Towards a Persistent, Self-Improving Agent for Autonomous Research
跨会话持久研究的智能体Épi，产出120项数学纪录并以64%成本胜过Codex
前置知识
自主研究智能体
能自主设计实验、运行代码、解读结果并修正方法的 AI 系统，如 FunSearch、AlphaEvolve、The AI Scientist-v2。它们将大模型的代码生成能力与可执行评估（编译运行、数值检查）结合，在明确目标函数下迭代搜索更好的构造或程序。与普通编码助手的区别在于：研究智能体要跨多次实验维护研究方向、证据链和决策理由，而非一次性完成任务。
本文的 Épi 就是一个自主研究智能体，全文讨论的持久性、记忆、分支与评审都是围绕这类系统跨会话长期工作的特有挑战展开的。
固定标尺与增益下界
论文提出的评估协议。标尺预先定义提交格式、可行性条件、目标函数、归一化方式和比较参考值，验证器据此统一检查所有候选。增益下界 $\delta>0$ 规定改进量 $\Delta(x) = b - f(x)$（最小化问题）必须满足 $\Delta(x) \ge \delta$ 才算有效改进，排除因报告精度或例行后处理造成的虚假进步。
这是理解 Épi 结果可信度的关键：所有 120 项纪录都在同一标尺和增益下界下验证，防止智能体自我评估时的奖励黑客行为。
Cohn–Elkies 线性规划界
球堆积密度的上界方法：通过优化一个辅助函数（其傅里叶变换非负、在最小距离处非正）得到堆积密度上界。该方法是无穷维线性规划，Li (2022) 通过离散归约得到有限对偶问题，可给出该线性规划最优值的下界。若能证明此下界超过实际堆积密度的独立上界，则说明该方法在归一化下不可能取等，即方法本身有结构性局限。
论文最重要的理论结果之一就是用 Épi 的对偶证书证明 Cohn–Elkies 界在维度 10 和 11 不可能取等，理解这一背景才能看懂该结果的分量。
Tuza 猜想
1981 年提出的图论猜想：对任意有限简单图 $G$，删除所有三角形所需的最少边数（三角覆盖数 $\tau_\triangle$）不超过最大边不相交三角形数（三角打包数 $\nu_\triangle$）的两倍，即 $\tau_\triangle(G) \le 2\nu_\triangle(G)$。已知对二部图的类似关系成立（Kőnig 定理），图论中已证明该猜想对若干图族成立，如阈值图、无 $K_8$ 弦图。
Épi 给出了该猜想在新图族上的计算机辅助证明——8 顶点团部分的分裂图、至多三种三角形活跃邻域类型，这是理解论文从数值优化迈向数学证明的关键案例。
分层记忆与会话交接
借鉴人类记忆模型（Atkinson–Shiffrin），将智能体记忆分为短期（支撑当前研究）和长期（跨任务复用）两层。长期记忆存储可检索的经验条目：经验教训记录可复用发现，死胡同记录无效方案及放弃原因。会话结束时智能体写交接笔记说明当前状态和下一步，新会话只读取相关记忆条目和引用文件，而非回放全部历史。
这是 Épi 跨模型会话维持研究连续性的核心机制，也是它与单会话研究系统最本质的架构差异。
研究动机
现有自动研究系统（FunSearch、AlphaEvolve、The AI Scientist-v2）在单次模型会话内运转良好，但真实研究工作量往往远超一个会话能承载的规模。论文指出一旦调查跨越多个会话，智能体必须解决三个此前未被系统处理的问题。其一是研究连续性：继续一项调查需要访问运行中的任务、代码、中间结果以及早期决策的理由，Kosmos、InternAgent-1.5、ScienceFlow 虽各自保存共享状态或可恢复执行档案，但随着历史增长，如何在有限上下文中只挑选当前实验状态、相关教训和失败原因成为瓶颈。其二是从实验经验中学习：需要识别哪个选择产生了结果、方法在什么条件下适用、证据是什么，并把每条教训与条件和证据关联起来，MemoHarness 只在训练期构建记忆库、测试期复用，缺乏研究过程中的持续更新。其三是探索替代方案与回溯：单一方向只能覆盖方法空间的一部分，现有系统虽有树搜索或状态归档，但对可检验输出的研究，还需保留每个方案的实现与证据、在统一规则下比较候选、并在新发现使旧方向有用时恢复先前工作。
本文的目标是本文要构建一个持久且自我进化的自主研究智能体 Épi：它能在可验证的研究环境中跨越多个模型会话维持完整调查（一个完整的调查称为一个 campaign），通过层次记忆续接研究并检索早期经验，通过版本化分支开发替代方法并可回溯到已保存的实现，通过独立评审评估证据。所有分支在同一可行性检查、目标函数和比较值下评估；已验证的发现成为后续 campaign 的新参考或新任务。最终目标是产出可检验的研究成果——数值纪录、改进的构造、精确证书和计算机辅助证明——并让人类研究者能够检查方法如何演化、解释结果为何成立。
与已有工作不同的是，本文的独特切入角度是把持久执行、层次记忆、分支回溯与独立评审整合成一个闭环，并以固定标尺（ruler）加增益下界作为贯穿整个 campaign 的统一评价基础。与 Kosmos 的共享世界模型、ScienceFlow 的可执行状态归档、MemoHarness 的训练期记忆库不同，Épi 区分了会话内需要的实验状态与跨问题可复用的教训，明确存档被放弃的分支及原因；与 FunSearch/AlphaEvolve 只用测得性能引导程序生成不同，Épi 引入与开发智能体不同模型的独立评审者来审视研究方向，缓解自我纠偏的视角局限；其研究环境本身随已验证发现而演化——数值估计可以催生带证书表示和严格误差控制的认证任务。整个设计以连接自我改进与人类理解为宗旨：保留实现、实验产物与研究笔记，使结果可检查、可延伸。
核心方法
直觉上，Épi 像一位有实验室笔记本的研究者：实验在后台持续运行，每次坐下来（新会话）先翻看笔记和前辈留下的教训，再决定下一步。技术上，研究任务被定义为带参考结果 $b$、显式预算和可检验输出的问题：打包任务提交坐标与朝向，优化界提交对偶向量等证书，证明任务提交见证与论证。评估规则在搜索开始前固定——验证器先复现参考结果、测试输入校验、固定容差与增益下界 $\delta$。对最小化问题，改进定义为 $\Delta(x) = b - f(x)$，接受条件是 $V(x) = 1$ 且 $\Delta(x) \ge \delta$（$\delta = 0$ 时要求 $\Delta > 0$）；严格数值界还要求精确算术或控制误差的外向舍入。执行基础设施 Breadboard 提供隔离实验环境、跨会话长任务、代码与分支状态及实验输出的持久存储，并运行隔离验证器。实验中模型权重固定（GPT-5.6 Sol 与 GPT-6-Astra），改进完全来自经验反馈、检索记忆与独立评审。
核心创新是三大机制的耦合。第一，版本化分支与回溯：每个分支在版本化仓库中保存实现、测试和笔记，以 commit 保存变更，智能体可从早期 commit 开新分支、比较不同方法（如打包问题上一支精修坐标、另一支改变接触模式）后再分配算力，放弃分支时记录原因并保留备查。第二，层次记忆：短期记忆支撑当前调查，长期记忆在模型上下文之外的可检索存储中保存教训和死胡同；会话边界处写交接笔记，后续会话只接收相关记忆条目并按需打开引用文件，避免回放全部历史。第三，独立评审：用不同模型审阅分数轨迹、已尝试方案、检索到的发现、比较基线和资源使用，评估证据支持什么、智能体对进展的解读是否合理；评审者评估方向，隔离验证器按固定标尺检查有效性与增益。与已有系统的本质区别在于：这三种机制服务于同一套可验证协议，且环境随验证发现演化，使自我改进的产物（新纪录、新证书）直接成为下一代任务的参照。
方法步骤详情
第一步，策展人提供问题与源材料（可含已发表构造作为初始参考），智能体自选方法与实验。第二步，环境预检：验证 scorer 能复现参考结果、测试输入校验、固定可行容差与增益下界并记录依据（如整数目标取单位粒度对应下界 1）。第三步，智能体在分支上开发方法并提交可检验对象：如 34 个单位边长正五边形放入等边三角形的任务，Épi 从 Friedman 的边长约 12.9814 的布置出发，联合精修中心与朝向，每次候选更新后检查包含与重叠。第四步，隔离验证器按固定标尺检查可行性与改进是否达到 $\delta$，几何构造查几何约束，数值界查证书与舍入方向，定理查有限检查加数学归约。第五步，会话边界写交接笔记与记忆更新（教训/死胡同），实验通过 Breadboard 跨会话运行。第六步，独立评审模型评估证据与方向，结论存档供后续会话使用。第七步，必要时回溯到旧 commit 或重访分支。第八步，验证后的发现设定新参考或催生下一 campaign 的新任务（如数值估计引出认证任务）。例如五边形案例最终边长 12.9756，降幅 0.0445%，全精度坐标随发布释放。
技术新颖性
技术新颖性体现在四个层面。协议层面：ruler 与增益下界把可行性约定、归一化、输入校验在搜索前显式化，消除不同文献数值不可比的隐患，并以固定标尺防止分数上升不代表任务本意的奖励黑客。架构层面：将记忆分为支撑当前调查的实验状态与跨问题复用的教训/死胡同两类，配合交接笔记实现有界上下文的续接，这是对长程智能体记忆的一次工程化细化。治理层面：评审者与开发者使用不同模型并记录评审者身份，把研究方向评估与产物验证分离，回应了自我纠偏研究和奖励黑客文献揭示的风险。认识论层面： Épi 明确要求把计算输出连接到可检查的数学论证——Tuza 定理案例中，560 个三型 profile 的精确覆盖/打包证书（共 18,444 个重数盒子）与 Zeng 截断引理的数学论证分离，独立检查器验证见证与完整 profile 枚举，从而把有限证书检查延展到任意重数的无限图族命题，示范了计算机辅助证明的证据结构。这种把自我改进与人类可理解性绑定的设计在同类系统中是少见的。
实验结果
数天内用 GPT-5.6 Sol 与 GPT-6-Astra 运行，Épi 产出 120 项破纪录结果：12 族的 20 项数值界加 8 族的 100 项构造（97 项几何打包），外加 1 项 Tuza 定理扩展。代表性数值界：n-queens 常数区间收窄约 84 倍（$3.30\times10^{-7} \to 3.94\times10^{-9}$）；四次 Feigenbaum 吸引子维数区间收窄超 360 万倍（$7.80\times10^{-3} \to 2.13\times10^{-9}$）；Cohn–Elkies 对偶下界在 $d=10,11$ 超过堆积密度独立上界（分离 0.35% 与 1.92%），证明该 LP 界不可能取等；Spencer 常数由 $7/\sqrt{17}$ 提至 $5/\sqrt{8}$；MAX-4-CUT 硬度比改至 $\approx0.986411$；waterund36 关闭 99.999% 以上差距。构造代表：34 五边形入三角形从 12.9814 降至 12.9756（0.0445%）。定理：Tuza 猜想对 $K_8$ 分裂图、至多三种邻域类型成立（560 个 profile 证书、18,444 个重数盒子、任意重数）。算法设计：Épi-turbo 在 30 个 FrontierOR 任务总分 53.96 对 Codex 51.21（+5.4%），成本仅 64%，hard split 高 10%，程序中位运行 2.9 秒对 9.3 秒，各任务细节见表 3–5。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 30 个 FrontierOR 运筹优化编码任务（双方均为新任务，13 个 hard split） | 基准总分（质量项+速度项，held-out 实例） | 53.96（Épi-turbo） | 51.21（Codex，同一模型 GPT-6-Astra、同等推理强度、每任务 $20 预算） | +5.4% 总分，模型成本仅 64%（均值 $7.30 对 $11.35），18/30 任务分数更高，单任务研究中位时间 22 分钟对 37 分钟 |
| n-queens 常数 $\alpha$ 严格区间（$Q(n) = (n/e)^{n(1+o(1))} \cdot e^{-\alpha+o(1)}$） | 区间宽度 | $3.94\times10^{-9}$（$[1.9440010223327, 1.9440010262694]$，有理可行性检查+有向舍入） | $3.30\times10^{-7}$（Nobel et al. 2023 的 $[1.944000752, 1.944001082]$） | 约 84 倍收窄 |
| 四次 Feigenbaum 吸引子维数严格区间 | 区间宽度（全域区间证明） | $2.13\times10^{-9}$ | $7.80\times10^{-3}$ | 超过 360 万倍收窄 |
| Cohn–Elkies 线性规划最优值对偶下界（$d=10, 11$） | 中心密度归一化下界 $L_d$ | $d=10$: 0.056433853144；$d=11$: 0.057731808202（精确对偶证书） | $1/24 \approx 0.0416667$（此前对偶界）；堆积密度上界 $U_d$ 分别为 0.05623600 与 0.05664550 | 下界超过堆积上界，相对分离 $L_d/U_d - 1$ 约 0.35% 与 1.92%，证明该 LP 界在 $d=10,11$ 不可能取等 |
| Spencer 矩阵差异问题的普适常数下界 | 常数下界 | $5/\sqrt{8}$（显式 $8\times8$ 矩阵，差异恰为 5，256 个符号赋值穷举验证） | $7/\sqrt{17}$ | 约 $1.7678$ 对 $1.6977$，提升约 4.1% |
| MAX-4-CUT 计算硬度比（Nagda et al. 2025 gadget 框架） | 硬度比（越小越强） | $84931/86101 \approx 0.986411$（整数加权 gadget，LP 优化边权重） | $195581/198140 \approx 0.987085$ | 硬度界改进约 0.068%，可精确恢复验证 |
| waterund36 水网络设计（MINLPLib 非线性规划实例） | 全局下界（与已知可行值 662.807 的差距） | 下界 662.807028，差距仅约 $1.001\times10^{-5}$（精确有理不等式松弛证书） | 原列下界约 655.544，差距约 7.263 | 关闭 99.999% 以上的差距，认证现有网络的近似最优性 |
| 34 个单位正五边形装入等边三角形 | 最小三角形边长 | 约 12.97563736（联合精修中心与朝向） | 约 12.98141000（Friedman Packing Center） | 缩小 0.0445%，全精度坐标释放 |
| Tuza 猜想图族覆盖 | 已证明图族范围 | $|C| = 8$ 的分裂图且邻域类型至多 3 种（任意重数；560 个 profile 的精确证书 + 18,444 个重数盒子 + 截断引理） | Zeng (2026) 证明至多 2 种类型；Botler et al. (2021) 无 $K_8$ 弦图 | 首个覆盖 8 顶点团部分且超出现有 $K_8$-free 假设的无限图族计算机辅助证明 |
局限与改进
作者明确承认的限制包括：每个任务每个系统只运行一次（30 个 FrontierOR 任务为单次运行），因此不报告统计显著性，+5.4% 的总分差可能包含运气成分，其中 10 个任务两系统分差小于 0.01；30 个任务是从 180 个任务中按官方难度顺序选取并剔除了参考值不可靠者，任务子集的选择本身可能影响结论。质量项上两系统几乎持平（均值 1.030 对 1.032），总分优势主要来自速度项（0.784 对 0.675），而基准参考值来自商业求解器且部分较弱，速度项的权重使结果对基准设计敏感；Épi-turbo 的程序在 119 个可比实例中仅 18 个解更好（Codex 为 61 个、40 平局），实例级解质量上并不占优。数学纪录中相当一部分是百分之一量级的精化（如 155 圆入象限仅 0.0021%），依赖事先固定的容差与舍入约定。此外，数学 campaign 的计算预算按问题单独设置但未披露具体数值，也未能展示各机制（分支/记忆/评审）的消融分析。
独立分析的弱点
第一，机制贡献无法归因：论文未对分支、层次记忆、独立评审做消融，Épi-turbo 甚至因短任务上评审成本大于收益而将其关闭，5.4% 的提升来自哪个组件并不清楚，应做开关式消融报告边际收益。第二，单次运行缺乏统计功效：每任务只跑一次且不报告显著性，10 个任务分差小于 0.01，个别大分差（如超平面聚类 2.162 对 1.283）可能由方差主导，应多次运行给出置信区间。第三，实例级解质量并不占优：119 个可比实例中 Épi-turbo 仅 18 个更好（Codex 61 个），优势集中在速度项，说明其贡献更多是「知道何时停止」而非更强的优化能力，应显式研究停止准则。第四，计数规则由作者自定（每个参数设置计一次、中间改进不计），第三方无法审计全量尝试，应公开完整实验日志供独立核验。第五，0.002%–0.05% 量级的打包精化科学意义有限，更多是填充注册表，应优先选择能催生结构性洞见的任务。第六，验证器依赖环境预检（scorer 复现参考结果）的正确性，该步出错会传导至所有结论。
未来方向
作者在文中直接指出或暗示的方向包括：把研究环境的演化制度化——数值估计自然催生带证书表示与严格误差控制的认证任务，如 Cohn–Elkies 案例所示，这一模式可推广到更多「先估计、后认证」的问题族；把 MAX-4-CUT 的「固定 gadget 结构、在着色约束下 LP 优化权重」发展成可复用的自动化硬度改进流程；把 Épi-turbo 的预算预留与停止准则应用到更广的算法设计基准。基于其成果可自然延伸的方向有：在 $d=9,13$ 及更高维继续收紧 Cohn–Elkies 对偶界，检验分离现象的维度分布；把 Tuza 猜想推进到 8 顶点团部分四种及以上邻域类型，或去掉分裂图限制；对记忆与评审机制做受控消融并分析经验跨 campaign 迁移的成功率；建立一个公开排行榜，让 registry 参考值更新与 agent 产出的比较可追溯；以及探索把独立评审者的评估反馈用于在线调整分支间的算力分配。
复现评估
可复现性呈现明显的不对称：验证容易、重跑困难。验证端很友好——论文承诺释放全部最终构造与支持证书（GitHub + Blog），每个最终产物保留比较值、来源和舍入约定，witness 可独立机器检查，例如 Spencer 的 $8\times8$ 矩阵只需穷举 256 个符号赋值即可核实差异恰为 5，MAX-4-CUT 的整数加权边表可精确恢复比值，waterund36 的有理不等式证书可独立重放，这种「结果即证明」的设计使第三方无需复现 agent 行为即可确认 120 项纪录的真实性。但复现 agent 本身较难：执行基础设施 Breadboard 是否开源未在文中说明；使用 GPT-5.6 Sol 与 GPT-6-Astra 两代前沿模型，FrontierOR 实验每任务预算 $20（总模型成本约 $219+$341 对照），数学 campaign 的预算与算力未披露；ruler 配置、增益下界推导和任务指令的完整文本也需依赖发布物。因此结论是：数学与算法结果的复核成本低、可信度高，但完整重现研究过程需要同等基础设施与可观的 API 预算，属于中等偏高的复现难度。
论文图表
