摘要： 材料研究通过经验的不断积累而进步——这些经验包括行之有效的脚本、值得信赖的协议、附着于失败计算或实验上的警告，以及将新问题与旧结果联系起来的判断力。这种经验对于可复现性和知识转移至关重要，然而它通常分散在笔记本、代码仓库、作业日志和个人记忆中，并且很少能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伙伴应围绕持久记忆来构建，而非围绕特定的代理实现。我们引入了一个自演化的记忆框架，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构想。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，记忆使得GPT-5.2的任务成功率几乎翻倍，且无需更新模型参数。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栏，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将总体的追踪负担（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具有物理意义的结果。这些结果表明，代理记忆可以作为一种持久性的科学资产；一份可移植、自改进的材料研究经验记录，其生命力超越了任何单一模型或代理栈。