전통적인 과학 연구는 연구자가 긴 프로젝트 주기 동안 문헌, 아이디어, 실험, 원고 및 리뷰 답변을 조정해야 하는 인간 중심적인 작업이었습니다. LLM(Large Language Model) 기반의 과학 에이전트(Scientific Agents)의 등장은 이 과정을 자동화할 기회를 제공합니다. 이러한 시스템은 전체 연구 라이프사이클(Research Lifecycle)을 지원하고, 프로젝트 전반에 걸쳐 구조화된 지속성 메모리(Persistent Memory)를 유지하며, 시간이 지남에 따라 자체적인 연구 절차를 개선할 수 있어야 합니다. 그러나 기존 시스템들은 이러한 요구사항을 부분적으로만 충족하거나 충족하지 못하여, 통합된 자동 과학 연구 시스템에 대한 공백을 남겨두고 있습니다. 이에 따라, 우리는 전체 과학 연구 라이프사이클을 위한 메모리 중심 에이전트 시스템인 AutoSci를 선보입니다. AutoSci는 네 가지 모듈을 중심으로 구성됩니다. SciMem은 스키마(Schema)에 의해 관리되는 연구 메모리를 제공하며, 재사용 가능한 과학적 지식을 위한 장기 지식 메모리(Long-Term Knowledge Memory)와 아이디어, 실험, 원고, 리뷰와 같은 프로젝트 수준의 산출물을 위한 활성 연구 메모리(Active Research Memory)를 분리합니다. SciFlow는 상태(State), 컨텍스트(Context), 검증(Verification), 피드백(Feedback), 오케스트레이션(Orchestration)을 제어하는 하네스(Harness)를 통해 문헌 이해부터 반박(Rebuttal)에 이르는 5단계 라이프사이클을 실행합니다. SciDAG은 DAG(Directed Acyclic Graph) 형태의 멀티 에이전트 연산자(Multi-agent Operators)와 재사용 가능한 단계별 템플릿을 통해 어려운 기술들을 보강합니다. SciEvolve는 사용자, 실험, 리뷰 및 외부 환경으로부터의 피드백 신호를 SciMem 구조, SciFlow 기술 및 SciDAG 템플릿에 대한 버전 관리된 업데이트로 변환합니다. 이러한 모듈들이 결합되어 AutoSci는 연구 프로젝트 전반에 걸쳐 실행하고, 기억하며, 진화할 수 있는 지속적인 연구 환경을 구축합니다. 코드 저장소는 https://github.com/skyllwt/AutoSci 에서 확인할 수 있습니다.