CASCADE：通过自主开发与演化实现累积式 Agentic 技能创造

摘要

LLM Agent目前依赖预定义工具或脆弱的工具生成机制，限制了处理复杂科学任务的能力与适应性。本文提出自演进Agent框架CASCADE，探索从“LLM＋工具使用”转向“LLM＋技能获取”。CASCADE通过两类元技能掌握复杂外部工具并将知识转为可执行形式：利用网页搜索和代码提取持续学习，以及通过内省和知识图谱探索等方式自我反思。作者在包含116项材料科学与化学研究任务的SciSkillBench上评测CASCADE：使用GPT-5时成功率为93.3%，不使用演进机制时为35.4%。研究还展示了计算分析、自主实验室实验以及选择性复现已发表论文等现实应用。结合人机协作与记忆巩固，CASCADE积累可在Agent及科研人员之间共享的可执行技能，探索可扩展的AI辅助科学研究。

CASCADE：通过自主开发与演化实现累积式 Agentic 技能创造配图 — 图1：“LLM＋技能获取”范式与CASCADE架构。a：以解谜比喻比较工具使用与技能获取，左侧依赖专家整理工具，右侧由CASCADE从复杂外部组件制作定制工具，供专家和Agent使用。b：框架通过网页界面支持科研人员多轮对话，以持久会话及向量、图数据库巩固记忆；编排Agent根据记忆和任务难度选择SimpleSolver或DeepSolver。c：DeepSolver协调四类专门Agent，依次由方案研究者生成代码、代码Agent执行、调试Agent按需调试，再由输出处理Agent整理结果，同时获取工具与技能。