openJiuwen社区ScienceDiscovery平台以树搜索驱动RSI技术加速科研任务自动化迭代

项目背景

当前科研领域中，数值程序开发、性能优化、规律反推等任务高度依赖人工试错，迭代成本高、周期长；传统AI优化方案多需要针对特定任务训练专用模型，通用性差、落地成本高，且难以产出算法层面的创新成果，科研领域亟需低成本、高通用、低人工依赖的自动化迭代工具来提升研发效率。 本案例依据「量子位」公开发布的信息整理，原文：https://www.qbitai.com/2026/09/484293.html

面临的痛点

科研工作中大量核心任务依赖人工试错迭代，比如数值程序开发、性能调优、规律反推等，核心工作量不在第一版实现，而在后续几十到上百次的试错优化，人工迭代效率低、成本高；现有通用科研工具覆盖能力存在明显短板，比如半无穷区间振荡积分无可用通用求解器、高斯超几何函数现有算法无法覆盖全参数域；传统AI优化方案多需要针对特定任务训练专用模型，调用次数多、成本高，且大多停留在表层优化层面，难以产出算法层面的创新成果。

优秘的方案

基于ScienceDiscovery自研的科研RSI底座，采用树搜索机制实现科研产物的全自动迭代，无需训练模型、调整核心搜索规则，仅需替换不同任务的评分函数和初始根节点，即可快速适配多种科研场景。迭代流程分为四个固定步骤：选择待优化的父版本、交给大模型改写、进入沙箱评分后挂载为新节点、将本次访问记录记账到该节点的全部祖先上，运行失败的版本也会入树标记。通过节点评分规则平衡优质分支深挖和其他路径探索的资源分配，优先选择效果好的版本迭代，同时对重复选择的节点做权重衰减，避免资源过度集中在单一路径。底座还内置沙箱隔离机制和异步并行能力，可自动拦截运行失败、死循环、超时的代码，同时支持多个worker并行扩展节点，大幅提升迭代效率。

实施路径

落地成效