利用智能体记忆为材料科学家构建终身AI伙伴

材料研究依靠积累的经验推进——好用的脚本、被信任的协议、附着在失败计算或实验上的警告，以及将新问题与旧结果联系起来的判断力。这些经验对可复现性与知识迁移至关重要，却通常碎片化地散落在笔记本、代码仓库、作业日志和个人记忆中，而且很少能在不同AI智能体之间移植。我们主张，材料科学的终身AI伙伴应当围绕持久记忆而非特定智能体实现来设计。我们提出一个自进化记忆框架，将科学经验存储为可检视的事实与可执行的技能，使观察、失败边界、协议与验证检查能够被检索、修订并跨模型迁移。我们在暴露材料研究能力不同层面的三个计算环境中评估这一想法。在包含138个可执行子任务的49个真实材料工具使用问题上，记忆在不更新模型参数的情况下使GPT-5.2的任务成功率几乎翻倍。在元素固体状态方程计算中，记忆将波函数初始化失败转化为执行前的防护栏，把结果从22/1/4（正确/部分/错误）改善到25/2/0，并避免92%的重复错误。在13个实际材料模拟工作流中，被记住的技能与失败事实将聚合轨迹负担（token）减半，到第三轮时工具调用减少超过一半，同时在带隙、声子、空位与功函数分析中保持物理上有意义的输出。这些结果表明，智能体记忆可以成为一种持久的科学资产——一份可移植、自我改进的材料研究经验记录，其寿命超过任何单一模型或智能体技术栈。