AICon北京2025-王则远-AI Scientist 中的上下文动态优化与自我演进.pdf

1、Al ScientistAl Scientist 中的上下文动中的上下文动态优化与自我演进态优化与自我演进演讲人：王则远目录目录01020304医学 AI Scientist 的机遇与研究缺口核心框架实现过程算法实现实验、评估与挑战挑战、展望与未来方向01医学 AI Scientist 的机遇与研究缺口医学“AI for Science”的崛起2025年1月，美国医学院院士Eric J Topol在LANCET发文阐述通用型人工智能系统的临床认证新路径，包括三步：1、基础阶段：AI系统需展示对基础医学知识的理解，类似医学生完成基础科学教育。2、专科任务执行：AI需将知识应用于实际医疗任务，如病

2、史收集、健康教育和初步评估，同时接受严格的性能监控。3、有条件自主与全面认证：随着能力展示，AI将逐步获得更大自主权，但最终仍需人类监督，并定期审查其输出以确保持续遵守医疗标准。医学“AI Scientist”的出现人工智能（AI）越来越多地应用于科学学科，用于整合大量数据集，改进测量，指导实验，探索与数据兼容的理论空间，并提供与科学工作流程集成的可操作且可靠的模型，用于自主发现。传统的科学方法为“观察-理论-假设-实验-数据-分析-结论”，现今 AI 正越来越多地融入科学发现中，以加速研究，帮助科学家生成假设，设计实验，收集和解释大型数据集，并获得仅使用传统科学方法可能无法获得的见解。虽然

3、LLM拥有广泛预训练知识，但医学/生物医药知识快速进化、领域专业、动态更新，共享知识库难以覆盖全部。知识局限性传统 LLM的推理/chain-of-thought规划，在科研任务中面临超长依赖链、高不确定性、动态环境时，容易出现规划失效规划脆弱性即便有工具调用，也存在语义鸿沟(semanticgap)、参数误用、副作用风险，以及关键决策节点上缺乏可信度估计。执行不可靠性研究动机与挑战研究动机与挑战三大挑战引出的核心问题：如何构建一个能够从自身经验中学习(self-improve)、实现能力持续进化(self-evolve)的专用智能体(Specialized Agent)？02核心框架实现核心

4、框架概述核心框架概述基于动态上下文基于动态上下文(Dynamic Context)(Dynamic Context)的自主进化机制的自主进化机制与传统的一次性上下文(如 RAG,ICE)不同，它会随着任务进程持续演化中心组件是“行动手册(Action Manual)”一套元认知(meta-cognitive)策略集合(不是静态知识库/记忆库)，用于指导智能体在不同情境下如何决策与行动。通过“模式探索 过程反思(Pattern Exploration&Process Reflection,PE-PR)”的双循环机制，实现 闭环学习(Closed-Loop Learning)：模式探索(Patte

5、rn Exploration)：在线(on-line)过程中识别高价值行动模式(Action Patterns)，并尝试泛化。过程反思(Process Reflection)：任务结束后(off-line)对执行轨迹(Execution Trace)进行因果归因(causal attribution)，尤其针对失败或次优路径，生成修正策略(remediation strategies)。最终，PE-PR 输出被整合入 Action Manual，实现能力随时间、任务经验不断演化(self-evolve)。理论基础理论基础传统方法(如 RAG,ICE)属于“一次性上下文注入(one-shotco

6、ntextinjection)”，适用于短期任务/较窄领域，但难以应对科研任务中的时序依赖与情境变化。科研任务(尤其医学/生物医药)通常是高度专业化+长周期+多步骤+高不确定性，要求智能体 能够在任务执行过程中不断适应、调整、学习(in-task learning/online learning)。因此，需要一种动态上下文机制(DynamicContextMechanism)，允许上下文随着任务进程实时更新，并对智能体决策产生持续影响。这种设计可以有效提高智能体对复杂、长周期任务的适应性和泛化能力。为什么传统为什么传统 RAG/Memory RAG/Memory 在医学科研任务中失效？在医学科