EvoMap/AutoResearch

解決する課題

AutoResearchは、AIおよび機械学習研究のエンドツーエンドのプロセスを自動化し、初期のアイデアから論文執筆に必要な証拠パッケージまでを生成します。特にAI研究エージェントにおける「ハルシネーション（幻覚）」の問題に対処するため、現実世界のシグナルに基づいた発見、マルチモデルによるレビューの強制、そして負の結果を含むすべての実験の追跡可能なステートフルな記録の保持を実現しています。

仕組み

このシステムは主に2つのワークフローで動作します。

1. アイデア生成: 公開チャネル（論文、コミュニティのトレンド）から研究シグナルを収集し、ドメイン固有の制約や経験に関するローカル知識ベースと照らし合わせます。少なくとも3つの異なるモデルを使用して、独立したアイデアの開発と相互レビューを行います。
2. アイデア実行: Claude Code CLIとコーディネーターを使用して、復元可能なプロジェクトライフサイクルを管理します。これには、計画の初期化、実現可能性をテストするための小規模なパイロット実験の実行、本格的な実験へのスケールアップ、そして結論を検証するための批評家による独立したブラインドレビューが含まれます。

コード、ログ、メトリクス、批評レポートを含むすべての進捗状況はディスクに永続化されるため、研究者はプロセスを検査したり、手動で引き継いだりすることが可能です。

対象ユーザー

厳密な証拠と追跡可能性を維持しながら、新しい研究の方向性の発見や実験の実行を自動化したいAIおよび機械学習の研究者。

ハイライト

• クロスドメイン発見: 外部の研究シグナルと内部のドメイン知識を組み合わせて、新しい問題を発見します。
• マルチモデル検証: アイデア生成とレビューに異なるモデルIDを要求することで、自己承認バイアスを防ぎます。
• ステートフルかつ復元可能: すべての作業ユニットを永続化し、中断後も長時間実行される実験を再開できます。
• パイロットファーストアプローチ: 本格的な実行に移る前に、低コストで実現可能性を検証します。
• 証拠ベース: 初期のシグナルから最終的なブラインドレビューまでの完全な来歴を記録し、負の結果も明示的に保持します。