ScienceDiscovery 核心能力
Core 不负责解释 Agent 的基础概念，而是回答一个问题：
在通用 Agent 能力之上，ScienceDiscovery 为科研任务增加了哪些特殊能力？
如果你第一次接触 Agent，建议先阅读基本概念，了解 Agent Loop、Tool、Skill、Specialist、Workspace 和 Artifact。
ScienceDiscovery 的核心差异化能力可以分成三个方向：
1. 探索与优化：让研究过程可以搜索和迭代
Idea Tree 自主研究
面对开放问题时，ScienceDiscovery 不只生成一个答案，而是可以展开多个候选方向、设计方案并根据反馈继续探索。
科研产物的 RSI
针对已有可评价产物，通过候选生成、评价和选择进行多轮改进。
Idea Tree 关注：
下一步应该探索什么？
RSI 关注：
当前方案如何变得更好？
2. 可信科研：让结果可以追溯和检查
记忆图谱与 Reviewer
科研结果不仅需要生成，还需要回答：
- 这个结论来自哪里？
- 哪些证据支持它？
- 哪些地方需要进一步检查？
ScienceMemory 记录研究过程中的关系，Reviewer 帮助发现产物中的问题。
3. 支撑科研 Agent 的基础能力
理解 Agent 基础概念后，以下能力帮助 ScienceDiscovery 将研究过程真正执行起来：
科研执行环境与工作区
提供代码运行、文件管理和实验环境，使研究过程可以实际执行。
科研 MCP 与 Skill
MCP 连接外部工具和数据，Skill 提供可复用研究方法。
专业 Specialist
将职责、方法和工具组合成可复用的研究角色。
这些能力回答的是：
Agent 如何完成科研任务。
而 Idea Tree、RSI、ScienceMemory 和 Reviewer 回答的是：
为什么 ScienceDiscovery 更适合科研场景。