摘要： 材料研究通过经验的不断积累而进步——包括可用的脚本、值得信赖的协议、针对失败计算或实验的警告，以及将新问题与旧结果联系起来的判断力。这种经验对于可重复性和知识转移至关重要，但它通常分散在笔记本、代码仓库、作业日志和个人记忆中，并且很难在人工智能代理之间移植。在此，我们认为，为材料科学设计的终身AI伙伴可以围绕持久记忆而非特定代理实现来构建。我们引入了一个自进化的记忆框架，将科学经验存储为可检查的事实和可执行的技能，从而使得观察结果、失败边界、协议和验证检查能够被检索、修订并在不同模型间迁移。我们在三个暴露了材料研究能力不同层面的计算场景中评估了这一想法。在包含138个可执行子任务的49个真实世界材料工具使用问题中，记忆在不更新模型参数的情况下，将近乎使GPT-5.2的任务成功率翻倍。在元素固体状态方程计算中，记忆将波函数初始化失败转化为执行前的防护措施，将正确/部分/错误的结果从22/1/4提升至25/2/0，并避免了92%的重复错误。在13个实际材料模拟工作流中，被记住的技能和失败事实使总体的追踪负担（令牌数）减半，并在第三轮时将工具调用减少超过两倍，同时在带隙、声子、空位和功函数分析中保持了物理上有意义的结果。这些结果表明，代理记忆可以作为一种持久的科学资产；一份可移植、自改进的材料研究经验记录，其生命力超越任何单一模型或代理栈。