RingMoClaw：一种基于经验的多智能体框架，用于遥感自我进化研究

遥感视觉模型不断推进各种解译任务。然而，模型改进背后的研究过程仍然严重依赖人工专业知识，需要在模型设计、数据处理和性能诊断方面进行大量的试错迭代。现有的基于代理的方法主要关注任务执行和工作流编排，而缺乏自主研究迭代以持续性能优化的能力。为了解决这个问题，我们提出了 RingMoClaw，一种基于经验的自我进化多智能体框架，用于遥感视觉解释。 RingMoClaw整合了研究分支、质控分支和双流动态体验总线，建立了涵盖策略生成、实验执行、独立评审和经验积累的优化闭环流程。异构Critic机制提供阶段性诊断和反馈，双流经验总线结合外部知识和内部实验经验指导策略演进，消除无效搜索。对对象检测、场景分类、语义分割和变化检测等四个遥感下游任务的大量实验证明了RingMoClaw的有效性和泛化性。与相应的基线模型相比，RingMoClaw 在目标检测方面将性能提高了 1.84% mAP$_{50}$，并在其他三项任务中实现了一致的增益，同时与现有的研究自动化框架相比，所需的进化步骤减少了 40% 以上。这些结果表明，RingMoClaw 提供了一条从任务执行到遥感领域持续研究驱动模型演化的可行途径。