NanoResearch：面向个性化科研自动化的技能、记忆与策略协同演化

基于LLM的多智能体系统现已能自动化从构思到论文写作的完整科研流程，但一个根本问题依然存在：自动化是为谁服务的？研究者在不同的资源配置下工作，持有不同的方法论偏好，并面向不同的输出格式。一个无视这些差异、产出千篇一律结果的系统会系统性地亏待每一位个体用户，这使得个性化成为科研自动化真正可用的前提。然而，实现个性化需要三项当前系统所缺乏的能力：跨项目积累可复用的程序性知识、跨会话保留用户特定经验，以及内化难以显式形式化的隐式偏好。我们提出NanoResearch，一个通过三级协同演化弥合上述缺口的多智能体框架。技能库将反复出现的操作提炼为紧凑的、可跨项目复用的程序性规则。记忆模块维护用户级与项目级经验，使规划决策扎根于每位用户的科研历史。无标签策略学习将自由格式的反馈转化为规划器的持久参数更新，重塑后续的协调方式。这三个层级协同演化：可靠的技能产生更丰富的记忆，更丰富的记忆支撑更好的规划，而偏好内化则持续将该循环向每位用户重新校准。大量实验表明，NanoResearch相比最先进的AI科研系统带来显著提升，并在连续多个周期中以更低成本持续改进、产出更好的研究。