EvoMap/AutoResearch

해결하는 문제

AutoResearch는 AI 및 머신러닝 연구의 엔드투엔드 프로세스를 자동화하여 초기 아이디어부터 논문 작성을 위한 증거 패키지까지 생성합니다. 특히 AI 연구 에이전트의 '환각(hallucination)' 문제를 해결하기 위해 실제 세계의 신호에 기반한 발견, 다중 모델 리뷰 강제, 그리고 부정적인 결과를 포함한 모든 실험의 추적 가능한 상태 유지 기록을 제공합니다.

작동 방식

이 시스템은 두 가지 주요 워크플로우를 통해 작동합니다.

1. 아이디어 생성: 공개 채널(논문, 커뮤니티 트렌드)에서 연구 신호를 수집하고, 도메인별 제약 조건 및 경험에 대한 로컬 지식 베이스와 교차 분석합니다. 최소 3개의 서로 다른 모델을 사용하여 독립적으로 아이디어를 개발하고 교차 검토합니다.
2. 아이디어 실행: Claude Code CLI와 코디네이터를 사용하여 복구 가능한 프로젝트 수명 주기를 관리합니다. 여기에는 계획 초기화, 타당성 테스트를 위한 소규모 파일럿 실행, 전체 실험으로의 확장, 그리고 결론을 검증하기 위한 비평가의 독립적인 블라인드 리뷰가 포함됩니다.

코드, 로그, 메트릭, 비평 보고서를 포함한 모든 진행 상황은 디스크에 영구 저장되므로 연구자가 프로세스를 검토하거나 수동으로 개입할 수 있습니다.

대상 사용자

엄격한 증거와 추적 가능성을 유지하면서 새로운 연구 방향 발견 및 실험 실행을 자동화하고자 하는 AI 및 머신러닝 연구자.

주요 특징

• 교차 도메인 발견: 외부 연구 신호와 내부 도메인 지식을 결합하여 새로운 문제를 발견합니다.
• 다중 모델 검증: 아이디어 생성과 리뷰에 서로 다른 모델 ID를 요구하여 자기 승인 편향을 방지합니다.
• 상태 유지 및 복구 가능: 모든 작업 단위를 영구 저장하여 중단 후에도 장기 실행 실험을 재개할 수 있습니다.
• 파일럿 우선 접근 방식: 본격적인 실행에 앞서 저비용으로 타당성을 검증합니다.
• 증거 기반: 초기 신호부터 최종 블라인드 리뷰까지 전체 출처를 기록하며, 부정적인 결과도 명시적으로 보존합니다.