LabEvolver: Training-Free Experience Evolution for Safe and Grounded Wet-Lab Agents
LabEvolver 是一个免训练框架，为湿实验室代理提供基于执行经验的 episodic memory。在机器人溶液制备任务中，pH 调节完成时间减少 48.2%，安全门拦截减少 60.0%。在 ALFWorld 上，20 步内累计成功率从 ReAct 的 76.2% 提升至 91.4%（500 个连续任务）。项目页面：https://github.com/AndyGao6186/LabEvolver。
Development
- First ReportLabEvolver: Training-Free Experience Evolution for Safe and Grounded Wet-Lab AgentsarXiv cs.RO
- Current AssessmentLabEvolver 展示了免训练经验进化在自动化科学发现中的潜力，可能降低湿实验室自动化的门槛。其安全门拦截减少 60% 表明，经验积累可以显著提升安全性和效率。这可能会推动实验室自动化领域从固定流程向自适应学习系统转变。可验证的下一信号：是否有更多实验室自动化团队采用类似方法，或该方法被集成到商业平台中。Agent Pulse · analysis
LabEvolver 是一个免训练的框架，通过将执行经验转化为可复用的技能、策略和安全经验，增强湿实验室代理的安全性和接地性。它结合了状态接地内循环（用于自适应感知、在线规划和安全验证）与外进化循环（将完成的轨迹蒸馏为经验）。在机器人溶液制备任务中，pH 调节完成时间减少 48.2%，安全门拦截减少 60.0%。在 ALFWorld 上，20 步内累计成功率从 ReAct 的 76.2% 提升至 91.4%（500 个连续任务），表明其泛化能力超出湿实验室场景。这些结果支持通过做中学的经验进化作为闭环自动化科学发现的可行路径。
LabEvolver 的核心是双循环架构：内循环进行状态接地感知、在线规划和安全验证，外循环将完成的轨迹蒸馏为技能、策略和安全经验。这种免训练方法避免了昂贵的模型微调，通过经验积累实现持续改进。在 ALFWorld 上的性能提升表明，经验进化机制可以跨领域泛化。可验证的下一信号：该方法在更多真实世界任务（如药物合成）中的表现，以及经验库的规模对性能的影响。
LabEvolver 展示了免训练经验进化在自动化科学发现中的潜力，可能降低湿实验室自动化的门槛。其安全门拦截减少 60% 表明，经验积累可以显著提升安全性和效率。这可能会推动实验室自动化领域从固定流程向自适应学习系统转变。可验证的下一信号：是否有更多实验室自动化团队采用类似方法，或该方法被集成到商业平台中。
对于实验室自动化供应商，LabEvolver 提供了一种无需重新训练模型即可提升代理性能的方法，可能降低部署成本并加速产品迭代。其安全性的提升（拦截减少 60%）对制药和生物技术公司具有吸引力，可减少事故和浪费。可验证的下一信号：是否有商业产品采用该框架，或相关专利出现。
LabEvolver 为闭环自动化科学发现提供了可行路径。未来，经验进化可能成为自主代理的标准组件，使代理能够从每次执行中学习并改进。可验证的下一信号：该方法在更复杂任务（如多步合成）上的扩展性，以及与其他学习范式（如强化学习）的结合。