收录解读
当前 autonomous scientific research 系统虽然越来越多，但大多仍依赖固定的 agent workflow 和预设工具栈，导致一旦任务结构变化或环境变复杂，系统很难自适应调整。Mimosa 瞄准的不是单一任务性能，而是‘科研 agent workflow 能否像程序一样被自动合成、执行、评估并持续进化’这个更上层问题。
论文提出 Mimosa，一个可进化的 multi-agent scientific workflow 框架。它通过 meta-orchestrator 自动生成任务特定的 agent 拓扑，用 MCP 做动态工具发现，再由 code-generating agents 调用科学软件与工具执行子任务；执行结果交给 LLM judge 评分，反馈再反向驱动 workflow refinement。也就是说，它把 multi-agent decomposition、tool discovery、execution trace 和 evolutionary refinement 接成了闭环。
这篇工作值得收录，因为它不是再做一个固定 agent，而是在 agent-driven science 方向给出了一种更 durable 的系统模式：任务来了先合成 workflow，再根据实验反馈迭代演化。这个结构对科学自动化、复杂分析流水线和自改进 agent 系统都有明显外溢价值，也和仓库近期补收的 self-evolving / workflow optimization 主线形成了很好衔接。
它没有升到更高一级，是因为当前主要验证还集中在 ScienceAgentBench 和作者给出的开源平台叙事上。虽然模式很对，且比普通 static multi-agent paper 更进一步，但离真正成为跨科学领域默认路线，还需要更多独立团队复现和更广场景 adoption。