当我们谈论人工智能在科学研究中的应用时，大多数讨论仍停留在辅助工具层面 —— 帮助文献检索、代码生成或数据可视化。然而，SakanaAI 近期发布的 AI Scientist-v2 正在重新定义这一边界：这是一个能够自主生成假设、设计实验、分析数据并撰写完整科学论文的端到端代理系统。更值得关注的是，它产出的论文已成功通过同行评审，入选 ICLR2025 Workshop。这标志着自动化科学发现从概念验证走向实际可用的关键里程碑。

AI Scientist-v2 的核心创新在于其采用的渐进式代理化树搜索（Progressive Agentic Tree Search）架构。与前身 AI Scientist-v1 依赖人工模板不同，v2 完全消除了对预设模板的依赖，能够在机器学习领域内跨场景泛化。这种通用性来自于其树搜索机制对探索空间的系统性管理能力。本文将深入剖析该系统的技术架构、树搜索配置参数以及工程化落地的关键考量。

代理化树搜索的核心设计

AI Scientist-v2 的树搜索实现基于 AIDE 项目构建，采用最佳优先树搜索（Best-First Tree Search，简称 BFTS）策略。系统的工作流程可分为两个主要阶段：创意生成阶段与实验验证阶段。在创意生成阶段，系统利用大语言模型根据用户提供的主题描述进行头脑风暴，并通过 Semantic Scholar API 检查想法的新颖性。这一阶段产生的研究想法以结构化 JSON 格式输出，包含假设、拟议实验以及相关工作分析。

实验验证阶段是整个系统的核心。系统不再依赖预设的实验模板，而是通过代理化树搜索自主探索可行的实验路径。每个树节点代表一次实验尝试，搜索过程由实验管理器代理（Experiment Manager Agent）引导。该代理负责决定下一步探索的方向、评估实验结果的科学价值，并决定是否需要回溯或扩展搜索分支。这种设计使得系统能够在开放式科学探索场景中表现出色，尽管相应的成功率会比模板化方法更低。

树搜索的探索策略体现了探索与利用的平衡。系统会同时维护多条独立的搜索路径，每条路径可以并行扩展。根节点的数量由配置参数 num_drafts 控制，代表独立搜索树的数量。在搜索过程中，失败的节点会触发调试机制，系统会根据 debug_prob 概率尝试修复问题，每个节点的调试尝试次数受 max_debug_depth 限制。这种设计既保证了系统的鲁棒性，又避免了无限循环。

关键配置参数与工程实践

对于希望部署或研究 AI Scientist-v2 的团队，理解并合理配置树搜索参数至关重要。这些参数直接决定了搜索行为的效率与效果。

num_workers 控制并行探索的路径数量，steps 定义最大探索节点数。当 num_workers=3 且 steps=21 时，系统会同时展开 3 条搜索路径，每步扩展 3 个节点，总计最多探索 21 个节点。num_seeds 参数建议在 num_workers 小于 3 时与前者保持一致，否则设置为 3 即可。这种配置体现了计算资源与探索广度之间的权衡。

max_debug_depth 和 debug_prob 两个参数共同控制调试行为。前者设置代理放弃失败路径前的最大重试次数，后者决定遇到失败节点时是否进行调试尝试。根据项目文档，使用 Claude 3.5 Sonnet 进行实验阶段可获得较高的成功率，单次运行成本约为 15 至 20 美元，撰写阶段额外增加约 5 美元。对于计算资源有限的场景，可在创意生成阶段的主题描述文件中明确建议使用较小的实验模型，以避免 CUDA 内存溢出错误。

系统支持多种模型后端，包括 OpenAI GPT 系列、Google Gemini（通过 OpenAI API 兼容接口）以及通过 AWS Bedrock 访问的 Claude 模型。这种多后端设计为研究提供了灵活性，团队可根据成本与性能需求选择合适的模型组合。值得注意的是，实验阶段使用更强大的模型通常能显著提升成功率。

安全沙箱与风险控制

AI Scientist-v2 会在沙箱环境中执行由大语言模型编写的代码，这本身存在显著风险。项目文档明确列出了几类潜在威胁：可能使用危险包、未受控的网络访问、以及意外进程派生等。因此，系统必须在受控的沙箱环境中运行，推荐使用 Docker 容器隔离。

更关键的是，自动化科学发现系统可能产生科学上不严谨或存在伦理问题的研究成果。项目强制要求在任何产出的手稿中明确披露 AI 的使用。文档建议在摘要或方法论部分添加声明：“This manuscript was autonomously generated using The AI Scientist”。这一要求既是对学术诚信的维护，也是对 AI 生成内容透明性的保障。

实践建议与后续方向

对于初次尝试 AI Scientist-v2 的研究者，建议从以下几个方向入手：首先，准备一个结构清晰的主题描述文件，包含标题、关键词、摘要和简介；其次，使用功能较强的模型（如 Claude 3.5 Sonnet）进行实验以提高成功率；再次，确保配置好 Semantic Scholar API 以获得可靠的创意新颖性检查和文献引用；最后，在完全隔离的 Docker 环境中运行完整流程。

AI Scientist-v2 的出现证明了代理化方法在复杂科学任务中的可行性。其树搜索架构为开放式探索提供了系统化的解决思路，尽管目前成功率仍有提升空间，但它已经为全自动科学发现开辟了切实可行的技术路径。随着模型能力的持续增强与搜索策略的进一步优化，我们可以预见，未来 AI 系统将在更多科学领域展现出真正的创造力。

资料来源：本文技术细节主要参考 SakanaAI 官方 GitHub 仓库（https://github.com/SakanaAI/AI-Scientist-v2）及相关论文。