Eureka：面向科学发现的任务条件化Meta-Agent编排

我们提出Eureka，一种任务条件化的Meta-Agent架构，它将长时程任务编译为具有明确验收语义的动态义务图。在执行过程中，Eureka通过滚动时域规划、架构晋升和最小充分编译，形成具有专门状态、记忆、算子、工具、验证器和局部拓扑的Macro-Agent。当瓶颈反复出现时，成本-收益门控的演化会在约束条件下更新局部架构。在理论方面，我们建立了关于遗憾、规划失效、摊销、子树接口、可串行化和验证的结果。在实验方面，Eureka完成了170/170个递归任务，并生成3,948份证书且无错误接受。活跃上下文将输入中位数从9,490压缩至4,005个token；增量处理在12,000个任务中避免了65.38%的重复计算；16,000个并发执行保持一致的可串行化。同一个Meta-Agent实例化了理论发现Agent和数学/猜想Agent。前者在量子过程与时空理论中得到结构性结果。后者识别出黎曼猜想研究中的瓶颈，并将Suzuki局部化Weil二次型的正性证书推进至0 < a <= 69/200 = 0.345，达到(log 2)/2的约99.55%。这些结果表明，科学Agent的能力不仅取决于基础模型，还取决于能否形成与任务认知结构相匹配的架构。