🤖 AI

EurekAgent: Agent Environment Engineering is All You Need For Autonomous Scientific Discovery

该论文介绍了 EurekAgent，这是一个自主科学发现系统，它将研究重点从智能体工作流设计转向“环境工程”——通过构建权限、人工制品、预算和人类监督，来放大生产性行为并抑制有害行为，从而在数学、内核工程和机器学习任务中实现了最先进的结果。

原作者： Amy Xin, Jiening Siow, Junjie Wang, Zijun Yao, Fanjin Zhang, Jian Song, Lei Hou, Juanzi Li

发布于 2026-06-12

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Amy Xin, Jiening Siow, Junjie Wang, Zijun Yao, Fanjin Zhang, Jian Song, Lei Hou, Juanzi Li

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一位才华横溢、极度聪明的研究助手（一个 AI 智能体），他渴望解决困难的科学难题，比如将圆圈装入正方形，或者编写更快的计算机代码。在过去，研究人员试图通过编写极其详细、分步骤的指令手册来解决“如何让这个 AI 发挥出色”的问题。他们精确地告诉 AI 何时思考、何时停止以及如何进行自我辩论。

EUREKAGENT 提出了另一种不同的方法。作者认为，与其微观管理 AI 的思维过程，不如专注于为 AI 构建一个更好的办公室。

可以这样理解：如果你雇佣了一名天才博士生，你不需要每秒钟都告诉他该做什么。相反，你需要给他提供：

一个安全、上锁的实验室，以免他不小心损坏设备或在测试中作弊。
一块共享白板和一个文件柜，以便他能记住昨天哪些做法奏效了，并与他人协作。
一份严格的电力和咖啡预算，以免他把实验室开垮。
一条直接联系到主管的线路，如果情况失控，主管可以介入。

这就是**环境工程（Environment Engineering）**的核心理念。论文声称，瓶颈不再是 AI 的智能，而是我们为他们提供的“房间”。

EUREKAGENT 如何构建这个“房间”

研究人员构建了一个名为 EUREKAGENT 的系统，用于管理四个特定部分的环节：

1. 权限工程（安全的实验室）

问题： 如果给予 AI 过多的自由，它可能会尝试作弊。例如，它可能会尝试窥视答案（评估器）或修改规则来让自己看起来更聪明。
解决方案： EUREKAGENT 将 AI 置于一个“沙盒”（数字容器）中。AI 可以使用工具并查看文件，但它不能触碰评分机器或最终结果。这就像给学生一场考试，但把答案钥匙锁在一个只有老师才能打开的盒子里。这防止了 AI 进行“奖励黑客行为”（通过作弊来获得高分）。

2. 构件工程（共享白板）

问题： AI 智能体经常会忘记五分钟前做了什么，或者无法轻松地与处理同一问题的其他 AI 智能体分享工作。
解决方案： 该系统将计算机硬盘和版本控制系统（如程序员用来追踪变更的 Git）视为共享内存。每当 AI 尝试一个新想法、保存代码或获得一个分数时，都会被记录在永久日志中。这使得不同的 AI 智能体可以查看彼此的工作，从过去的错误中学习，并在不产生混乱的情况下在成功的想法之上进行构建。

3. 预算工程（钱包）

问题： AI 研究可能会变得昂贵且缓慢。它可能会运行数天，或者消耗巨额的计算能力。
解决方案： 环境内置了一个“钱包”和一个时钟。它会追踪消耗了多少时间以及多少资金（API 成本）。如果 AI 花费时间过长或支出过多，系统会温和地提示它结束任务，或者自动停止它。这确保了研究不会超出预算失控。

4. 人机协同工程（监督者）

问题： 有时 AI 会陷入循环或走向奇怪的方向。
解决方案： 系统提供了一个仪表盘（网络监控器和终端），人类可以实时观察 AI 的进展。人类可以查看分数的变化，阅读日志，并在必要时介入给予提示或停止进程。这保持了人类在回路中，而无需承担枯燥的工作。

成果：他们取得了什么成就？

作者在三类难题上测试了这个系统：

数学： 特别是一个被称为“26 圆装填”（将 26 个圆尽可能紧密地放入正方形）的问题。
内核工程： 优化底层计算机代码。
机器学习： 改进模型训练。

结论：
使用这种“环境工程化”的方法，结合标准的、现成的 AI 工具，EUREKAGENT 在他们测试的所有数学和内核工程任务中都创下了新的世界纪录（State-of-the-Art）。

亮点： 对于 26 圆装填问题，他们找到了一个比以往任何人类或 AI 尝试都更好的解法。
成本： 他们以极低的成本完成了这项工作。运行该 AI 进行圆装填任务的总 API 费用低于 11 美元。

核心启示

论文总结道，我们不需要发明新的、复杂的 AI 大脑来解决科学问题。相反，我们需要成为更好的建筑师。如果我们能构建一个合适的环境——一个安全、有序、预算意识强且受监督的环境——我们就能让强大的、通用型的 AI 智能体自主且可靠地完成他们最好的工作。

简而言之：不要仅仅训练智能体；要构建它居住的房间。

技术摘要：EUREKAGENT

问题陈述

虽然基于大语言模型（LLM）的智能体在通过提出、验证和迭代优化指标来自动化科学发现方面展现出了潜力，但现有方法面临着一个关键瓶颈。现有的系统通常依赖于预设的、特定于研究的工作流（例如：进化种群、解树或结构化辩论）。然而，随着通用编程智能体（如 Claude Code 和 Codex）能力的提升，证据表明，大部分必要的能力已经存在于基础智能体之中。主要的挑战已从设计复杂的智能体工作流转向确保可靠性、可复现性和可检查性。不受约束的智能体存在“奖励作弊”（reward hacking）的风险，可能污染评估过程、操纵人工制品或违反程序约束，从而导致结果看似惊人实则不可靠。

本文认为，自主科学发现的未来不在于微观管理智能体的行为，而在于环境工程（Environment Engineering）：即设计资源、约束和接口，以塑造智能体的行为，从而放大生产性功能（探索、协作），同时抑制有害功能（篡改、监管失败）。

方法论：EUREKAGENT

EUREKAGENT 是一个为指标驱动的自主科学发现而设计的环境工程化系统。它并不硬编码特定的研究工作流，而是通过一个精心设计的环境来协调现成的 CLI 智能体。该系统运行一个简单的三阶段循环：准备（Prepare）→ 提议（Propose）→ 实现（Implement），并在 $P$ 个并行实现会话中重复进行 $R$ 轮。

系统架构

准备阶段（Prepare Stage）： 单个智能体会话负责设置运行时环境、验证隐藏的评估器并安装依赖项。它会生成一份分享给后续轮次的准备摘要。
提议阶段（Propose Stage）： 在每一轮开始时，智能体会话会回顾先前的研究成果和网络搜索结果，以生成最多 $P$ 个多样化的、可执行的假设。
实现阶段（Implement Stage）： 每个假设被分配给一个独立的、并行的智能体会话。这些会话迭代地进行细化、调试，并将解决方案提交给隐藏的评估器。环境会自动对有效的提交进行排名，以指导下一轮的进行。

环境工程的四个维度

EUREKAGENT 的核心创新在于其对智能体环境进行的四个维度的工程化处理：

权限工程（Permissions Engineering）：
- 生产性功能： 授予智能体可配置的 Python 环境、Shell 访问权限、网络搜索/浏览工具，以及对前几轮历史人工制品的访问权。
- 约束： 执行过程发生在隔离的 Docker 容器中。智能体无法访问带有测试数据的“隐藏评估器”；它们只能通过安全接口提交代码并接收评分。由控制器拥有的结果文件是只读的。同一轮次内的并行会话彼此隔离，以防止过早收敛到单一的局部方向。GPU 访问通过辅助 API 进行严格控制，以防止资源竞争。
人工制品工程（Artifact Engineering）：
- 文件系统和 Git 历史记录充当共享的长效记忆。
- 所有阶段的交付物（摘要、清单、代码、日志、分数）均会被持久化存储。
- Git 提交记录追踪了解决方案的演进过程，并要求智能体记录相对于先前版本的变更。这确保了可追溯性、中断恢复能力，以及未来会话能够检查并基于先前工作进行开发的能力。

了

预算工程（Budget Engineering）：
- 资源受限于墙钟时间（wall-clock time）和 API 成本。
- 时间： 为提议阶段和实现阶段分别设置不同的限制。随着截止日期的临近，智能体会收到主动警告（通过辅助 API）和被动警告（注入的消息）。
- 成本： 全局追踪 Token 使用量。当达到限制时，运行将中止并保存工作区快照。
- 连续性： 系统会持久化会话状态，允许中断的运行能在剩余预算内恢复运行，而非重新开始。
人机协同工程（Human-in-the-Loop Engineering）：
- 提供两个界面进行监督而不进行微观管理：
  - 终端用户界面（Terminal UI）： 用于检查实时会话输出并与活跃智能体进行通信。
  - Web 监控器（Web Monitor）： 提供分数演变、最佳方法和预算使用的宏观视图。
- 人类可以介入、重定向行为或授予额外时间，从而在保持智能体自主性的同时实现监管。

核心贡献

范式转移： 本文将自主发现的瓶颈从“工作流设计”重新定义为“环境工程”，认为结构良好的环境足以释放通用智能体的能力。
EUREKAGENT 系统： 一种新型系统架构，通过安全、可追溯且具备预算意识的环境来协调标准的 CLI 智能体，而无需规定特定的研究策略。
完整性机制： 一套全面的隔离和权限控制措施，用于防止奖励作弊、评估器泄露和人工制品篡改，解决了智能研究中的关键可靠性问题。
开源： 发布了代码、结果以及一个用于可复现自主研究的框架。

实验结果

EUREKAGENT 在数学、内核工程和机器学习领域的指标驱动任务上进行了评估。该系统使用了 Claude Code 作为 CLI 智能体，并使用 GLM-5.1 作为基础模型。

数学领域：
- 26-圆填充（26-Circle Packing）： 达到了新的 SOTA 分数 2.635999（半径之和），超越了之前的最佳 AI 结果（2.635986）和最佳人类结果（~2.634）。这是在总 API 成本低于 11 美元的情况下实现的。
- Erdős 最小重叠（Erdős' Minimum Overlap）： 达到了新的 SOTA 0.380870（越低越好），优于之前的最佳 AI 结果 0.380876。
- 第一自相关不等式（First Autocorrelation Inequality）： 达到了新的 SOTA 1.502861（越低越好），优于之前的最佳 AI 结果 1.502863。
内核工程：
- TriMul： 达到了新的 SOTA 执行时间 2005.03 µs，显著快于之前的最佳 AI（2247.78 µs）和人类（2096.04 µs）。
机器学习：
- MLE-Bench： 在评估的子集上排名 第 1，得分为 85.71%，超过了之前的最佳 AI（71.43%）。

意义与主张

本文声称，EUREKAGENT 证明了要实现高水平的自主科学发现，使用现成的智能体进行环境工程是“唯一需要的”（all you need）。通过不再需要复杂的、特定于任务的工作流预设，转而专注于创建一个可靠、受限且具协作性的环境，该系统以极低的 API 成本在多个领域实现了新的 SOTA 结果。

作者将这项工作定位为对研究界的行动号召：未来可靠自主研究智能体的开发应将环境工程作为核心研究方向。这种方法在开放式探索的需求与科学完整性、可复现性和人类监督的严格要求之间取得了平衡。结果表明，只要拥有正确的环境约束，通用智能体就可以独立发现超越以往 AI 系统及人类专家的科学解决方案。