← 返回中文 README · Back to English README · 示例目录
本例将 GAIR-NLP/DrugEvolve 的公开 compatibility Creation 流程拆成 SCIENCEEVOLVE 的 Main、Generator、Inspector、Implementer、Trainer、Debugger、Judger、Analyzer 和 Summarizer。Task 是被优化的药物研发算法及固定评测环境，不需要 Evolver 或 workflow 自修改。
原采样器、上下文/提示/schema、训练器、熵监控、客观评分、实验存储与 cognition 随 Skill 下载并固定版本。scripts/steps.py 执行确定性操作、输出原角色请求并核验响应；它不运行上游完整自治管线，也不调用模型。完整能力与替换见 核对表 和 CAPABILITIES.json。
本目录仅提供静态流程文件与资源。Web 用户按手动使用说明导出副本，再通过主页通用 JSON 导入入口查看和使用；补全需求与真实网关后自行启动。SDK 运行见 SDK 分支指南。
sample → generator → inspector → implementer → train → judger → analyzer → summarizer → archive；各阶段由Main根据持久phase分发。重复提案返回generator，实现失败返回Researcher外层，训练失败到debugger，熵异常走零客观分分支。Judger在LLM权重0时仍执行。外部知识和实验经验分别保存在 cognition 和实验节点中。
用同一run-dir的 steps.py status 观察/继续。已提交响应由request_id防重复；正在执行或中断的training/sampling/archiving不能盲目重跑，先检查真实进程、日志及原库写入状态。模板不要求SDK新增Agent回退、workspace Git或并行讨论功能。
/absolute/path/to/drug-env/bin/python -m unittest discover -s example/drugevolve/tests -v测试使用明确标注的合成Task执行真实本机Bash训练，覆盖失败→修复→再训练、实际熵超阈值进程终止/零客观分分支、原始CSV评分、全部角色原提示/schema、原库入库/best、重新采样和重复反馈、嵌套重试以及过期提交拒绝。没有调用真实科研模型，也没有完成论文11任务/120测试集的端到端科学结果复现。
通过主页通用 JSON 导入入口查看的实际前端截图；仅展示配置，未连接模型或执行研究。节点较多时，请导入 JSON 后缩放阅读。
