EvoMap/AutoResearch

它解决了什么问题

AutoResearch 的设计旨在通过将整个研究流程——从想法生成到证据收集——建立在真实世界信号和严格的交叉验证基础上，消除人工智能/机器学习研究中的幻觉和未经证实的主张。它通过强制执行有状态、可追溯的工作流，要求独立审查和实证证据，防止 AI 代理虚构细节或过度解读负面结果。

它如何工作

该系统作为一个有状态的代理工作流，分为两个主要阶段：

1. 想法生成：从公共渠道（论文、社区趋势）收集研究信号，将其与本地领域约束知识库交叉对比，并使用至少三个不同的 LLM 独立开发和交叉审查候选想法。
2. 想法执行：使用 Claude Code CLI 和协调器，将一个想法通过可恢复的流水线推进：规划、可行性试点测试、扩展至完整实验、结果分析，最后由一个“批评者”模型进行独立盲审，以挑战结论。

所有进展，包括代码、日志和批评者报告，都会持久化到磁盘，允许研究人员随时检查或接管流程。

适用于谁

专为希望自动化发现新研究方向并执行实验，同时保持论文级证据所需科学严谨性的 AI 和机器学习研究人员打造。

主要亮点

• 跨领域发现：结合外部研究信号与本地领域知识，发现新颖问题。
• 独立的多模型审查：要求多个不同的模型身份参与，防止想法自我批准。
• 有状态且可恢复：将所有计划、代码和日志持久化到磁盘，使长时间运行的实验在中断后可继续。
• 试点优先方法：在扩展至完整计算资源前，以低成本验证可行性。
• 支持负面结果：保留失败假设的证据，而非强迫呈现成功故事。