学术版腾讯WorkBuddy开源，起飞了
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。
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：
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：
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。
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。
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：
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：
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）：
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。
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。
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
