EvoMap/AutoResearch

解决的问题

AutoResearch 自动化了 AI 与机器学习研究的端到端流程，从最初的构思到产出可供撰写论文的证据包。它特别针对 AI 研究代理中的“幻觉”问题，通过基于现实世界信号的发现、强制执行多模型审查，以及维护所有实验（包括负面结果）的可追溯、有状态记录来解决此问题。

运作方式

该系统通过两个主要工作流运作：

1. 构思生成：从公开渠道（论文、社区趋势）收集研究信号，将其与领域特定限制与经验的本地知识库结合，并使用至少三个不同的模型来独立开发与交叉审查候选构思。
2. 构思执行：使用 Claude Code CLI 与协调器，管理可恢复的项目生命周期。这包括初始化计划、执行小规模试点以测试可行性、扩展至完整实验，以及通过评论者进行独立盲审以挑战结论。

所有进度（包括代码、日志、指标与评论报告）都会持久化到磁盘，允许研究人员检查流程或手动接管。

目标对象

希望在保持严谨证据与可追溯性的同时，自动化发现新研究方向并执行实验的 AI 与机器学习研究人员。

特色亮点

• 跨领域发现：结合外部研究信号与内部领域知识以发现新问题。
• 多模型验证：要求构思生成与审查使用不同的模型身份，以防止自我批准偏见。
• 有状态且可恢复：持久化所有工作单元，允许长时间运行的实验在中断后恢复。
• 试点优先方法：在投入全面执行前，以较低成本验证可行性。
• 基于证据：记录从初始信号到最终盲审的完整来源，明确保留负面结果。