科研数据处理困境与CVEvolve框架诞生
美国阿贡国家实验室（ANL）的研究团队在系统性分析过往基于人工智能的自动化工作后，开发出一款名为CVEvolve的零代码自主智能体框架，用于挖掘科研数据处理所需的算法。在当下，科研产出的数据体量庞大、结构松散且高度非结构化，科研数据处理成为解锁数据价值、揭示科研真相前最关键的一环。然而，领域科学家往往缺乏数据处理所需的专业技能，而技术专家又难以深入理解学科背景，这就产生了专业知识鸿沟。CVEvolve框架具备极强的通用能力，无需预设问题架构与固定流程模板，可闭环联动代码、数据、评价指标、检索记录及可视化结果等各类要素，支持计算机视觉、图像处理等可执行算法开发，不受单一建模方式约束，具备代码编写（运行）、效果评估、历史溯源、结果自查、策略化迭代优化全栈能力。
研究亮点与相关成果
相关成果以「CVEvolve: Autonomous Algorithm Discovery for Unstructured Scientific Data Processing」为题，收录于预印本平台arXiv。研究亮点包括：提出用于自主科研数据处理算法发掘的通用代理框架，专为非结构化问题而设计，无需预设问题框架与固定流程模板；CVEvolve引入一种长视野搜索架构，它将generate、tune、evolve机制与溯源感知状态管理、智能体驱动留存测试相结合，确保了框架灵活自主和成熟可用；CVEvolve在X射线荧光显微镜图像配准、布拉格峰检测和高能衍射显微镜图像分割多种任务上进行验证，证实其具备发掘实用算法和加速科学发现的能力。
专用验证数据集构建
本研究针对三类任务构建了专用验证数据集。荧光显微镜图像配准数据集在真实XRF图像基础上，人为施加平移偏移、泊松噪声、扫描抖动和模糊处理，模拟真实对焦漂移下的图像差异，图像采用对数刻度绘制，尺寸大小仅为10 - 30像素，数据规模为809对测试/参考图像，随机划分出10%作为预留测试集（holdout set），剩余90%全部用于算法迭代开发。布拉格峰值检测数据集来源于所有扫描点采集的衍射图像，之后均分为两组，各组图像按像素叠加合成两张图，一张用于算法研发阶段的效果评估，另一张作为预留测试（holdout set），两张图像中的布拉格峰均被人工标注。高能衍射显微图像分割数据集开发数据集包含5个图像及其手动创建的标签，预留测试集为2个样本。
LLM为核心智能体工具架构
整体架构上，CVEvolve是一款以大语言模型智能体为核心的自主搜索控制器，智能体能够借助工具生成、运行并评估候选方案，控制器则依据历史数据敲定后续探索方向。迭代策略借鉴自Pty - Chi - Evolve framework，涉及generate、tune和evolve三类操作步骤，并通过扩展的工具集和改进的状态管理适配更多任务。为了把控上下文篇幅并降低推算成本，每轮迭代都会启用全新上下文，仅保留系统提示词与本轮执行动作对应的任务提示词，不累积历史对话记录。在同一轮次中，generate和tune可由多个并行worker同时执行，让系统能够在更新对话记录前，同步探索多项新方案或是针对不同原始内容做出多轮优化调整。在每一轮结束后，agent提交的候选算法都会按照进化谱系（Lineage）分组，记录父子继承关系，保留优秀设计模式。候选采样架构借鉴自MAP - Elites算法，采用随机方式进行，针对tune和evolve两个步骤，CVEvolve采取随机候选采样，而非始终选择当前最优候选。
三大阶段工作流程
CVEvolve工作流程包括工作空间准备阶段、基线评估阶段和算法迭代研发阶段。工作空间准备阶段从搭建运行环境开始，将任务描述或用户提示的评价指标自动写成可执行的评估代码。基线评估阶段运行并测评已有的基准算法，为后续的对比工作提供基线。算法迭代研发阶段遵循generate、tune和evolve策略进行多轮循环搜索，其中generate负责广泛探索，多线程全新设计新算法；tune负责基础调优，对候选算法进行随机择优选取和参数优化；evolve负责迭代演进，对多个算法进行优势融合并生成新算法。此外，整体流程中还包含可选的修复轮次，用于修复无法运行的候选算法、每轮后独立留出测试、SQL搜索状态数据库，全程记录候选、指标、迭代轮次与进化谱系。
五大核心配套工具
五大核心配套工具分别为文件系统工具、环境管理和代码执行工具、图像查看工具、搜索状态工具和Web搜索工具。文件系统工具支持工作空间中列出、读取、写入、编辑、复制、移动和删除文件，允许agent在会话沙箱中编写候选代码、助手脚本和评估工具。环境管理和代码执行工具支持工作空间中安装或删除依赖项，以及执行Python脚本。图像查看工具支持浮点图像处理、高动态范围图像对数显示缩放、TIFF格式转PNG格式等调控功能，以便agent识别普通线性渲染下难以察觉的细微结构、明暗变化与异常问题。搜索状态工具支持agent设定核心指标，记录评估结果，核查历史数据，分析候选结果，并提交全新候选至结构化查询语言的检索记录中。Web搜索工具开放arXiv、Semantic Scholar和Tavily的访问权限，便于agent借助外部技术参考信息迭代算法研发。另外设计中还添加了多模态图像跟进中间件，用以弥补大语言模型接口无法直接传图的限制，具体是当工具返回图像路径后，自动将渲染后的图像作为跟进消息重新注入到对话当中。
核心底层执行架构
CVEvolve是基于LangGraph的agent应用实现的，运行时采用精简节点图，通过「消息接收 - 模型推理 - 工具调用 - 图像后置处理」四大核心流程进行处理。工具返回图片路径后，图像处理节点将其转为多模态观测数据，回传至模型，供下一轮推理使用。
3类科学图像处理场景验证
为了展示CVEvolve的实用效果和泛化能力，研究团队专门设置了3组具有现实意义的科学图像处理实验对其进行了验证，所有实验均采用Claude Opus 4.6完成。在荧光显微镜图像配准实验中，研究人员展示了CVEvolve在寻找X射线荧光显微镜（XRF）图像平移配准的鲁棒算法上的任务，经20轮搜索展示误差变化与性能特征，最终最优配准算法误差值为0.12，对比表现较好的brute - force error minimization，误差降低近8倍。在布拉格峰值检测实验中，本实验任务是寻找X射线衍射图像中布拉格峰检测算法，选择第5轮最优候选，可有效缓解误检情况，同时漏检数量也有所下降，各项指标相较基线均实现提升。在衍射图像分割实验中，实验采用加权交并比（IoU）指标，共进行40轮观察，最终筛选出最优候选算法，预测掩膜与真实基准轮廓具备较高契合度。
总结与展望
总的来说，CVEvolve所提供的零代码开发，极大降低了计算成像技术的使用门槛，为领域科学家进行自定义的科研数据处理提供了捷径。而在未来，CVEvolve将有望进一步增强其能力，拓展高位数据处理、实时流程优化等能力，推动自主的科学发现工作流程大踏步进入智能与技术共同驱动的时代。
