10月10日，深度智耀在深圳发布 AI 多智能体协作平台EvoBuddy。作为面向千行百业的组织协作伙伴，它让人与AI共同接住任务、推进工作，并把过程中形成的经验留在组织里。
一项工作从提出到交付，往往要经过多人协作、工具调用和反复核对。EvoBuddy能否在这样的连续流程中把工作做下去？我们选择用生命科学的组学任务，检验这个问题。
在不同组织里，一项工作从提出到交付，常常要跨越人员、工具与多个环节。有人负责协调，有人做专业判断，还需要有人持续跟进状态、记录过程并核对结果。EvoBuddy希望把这些分散的工作连接起来：接住每一件事，记住每一次经验，让组织在一次次交付中积累能力。
这种能力不能只停留在协作的设想中。生命科学恰好提供了一个严苛的检验场：高通量数据和专业软件构成连续工作流，任务要经过方法选择、数据处理、工具调用、状态传递与结果验证。能否在这样的场景中完成工作，比给出一段看似专业的回答更有说服力。
EvoBuddy不是为某一个行业单独定义的科研产品。它是“协作的伙伴、组织的心脏”：让人与AI共同接住任务、保留过程中的经验，并推动组织持续改进。专业领域仍需专业判断；在科研场景中，我们进一步用可运行、可检查的组学任务检验其执行能力。
以真实科研工作流检验Agent能力
今年，来自耶鲁大学、Broad Institute、斯坦福大学、哈佛大学等机构的研究者提出SciAgentArena。该基准包含约200项任务，覆盖单细胞组学、空间组学、计算药物发现、电子健康记录和遗传学，重点评估科学智能体在数据与工具环境中的多步骤执行能力。
我们选择单细胞组学与空间组学进行测试。两类任务具有典型的长程工作流特征：分析链路长、上下游状态强依赖、专业工具密集，最终结果还要接受多维指标检验。它们能够同时检验领域理解、代码执行、工具协同与结果交付。
本次采用SciAgentArena论文定义的Stepwise模式。评测器按顺序调用Agent，执行其生成的代码，并通过固定检查器读取AnnData对象中的关键状态；上一阶段产生的数据对象继续传入下一阶段。任务是否完成与方法质量分别评分，不合并为单一总分。
两类组学任务全部通过，方法得分均领先
在当前同环境本地实测候选对比中，EvoBuddy完成单细胞组学7项分析任务与空间组学8项分析任务，任务通过率均为100%。在这两类任务的方法质量指标上，EvoBuddy分别取得当前同环境本地实测候选中的最高方法得分；这并非SciAgentArena官方榜单成绩。
单细胞组学：本地Stepwise评测结果
单细胞组学：本地Stepwise评测结果
分析任务通过率反映工作流执行完整性；方法得分由批次效应校正、聚类或空间域识别、差异表达等连续指标构成，反映关键分析环节的结果质量。这次测试表明，在所测组学任务和评测条件下，EvoBuddy能够保持复杂数据对象的连续状态，并在多工具、多步骤流程中形成符合评测契约的输出。
在生命科学验证能力，服务更多行业的协作
对科学智能体而言，Benchmark的价值不只在排名。它把抽象的“科研能力”拆解为可以运行、检查和复现的任务，让系统在哪些环节有效、在哪些边界仍需改进变得可见。
对EvoBuddy而言，生命科学评测是一项专业场景的能力验证，不是产品边界。它面向不同行业和组织，希望让人和AI在同一工作流程中协作：把任务接住、把过程留下、把结果交付；专业判断与责任仍由人承担。单细胞与空间组学测试展示了它在特定科研工作流中的表现，不能据此推定其已在所有行业或所有任务中达到同等水平。
AI for Science的下一阶段，将由能够进入专业环境、调用真实工具并交付可验证结果的系统推动。
EvoBuddy正式开启首批限量内测。无论来自生命科学还是其他行业，都欢迎带着真实的组织协作问题和工作流程交流；让一次次实际使用，继续检验它能做什么、哪些判断必须由人来做。
本次限量内测仅开放100席，面向各行业组织，欢迎您带着真实工作场景，和我们一起交流！
参考：SciAgentArena: Benchmarking AI Agents for Addressing Scientific Challenges Across Scales，arXiv:2606.12736 https://arxiv.org/abs/2606.12736
