EvoMap/AutoResearch

解決的問題

AutoResearch 的設計旨在透過將整個流程（從構思產生到證據收集）建立在現實世界的信號與嚴謹的交叉驗證基礎上，消除 AI/ML 研究中的幻覺與無根據的主張。它透過強制執行具狀態、可追蹤的工作流程，並要求獨立審查與實證證據，防止 AI 代理自行編造細節或過度解讀負面結果。

如何運作

該系統作為一個具狀態的代理工作流程，分為兩個主要階段：

1. 構思產生：從公開渠道（論文、社群趨勢）收集研究信號，與本地領域知識庫交叉比對，並使用至少三個不同的 LLM 獨立發展與交叉審查候選構思。
2. 構思執行：使用 Claude Code CLI 和協調器，將構思透過可恢復的流程進行：規劃、可行性試驗、擴展至完整實驗、結果分析，最後由一名「批判者」模型進行獨立盲審，以挑戰結論。

所有進展（包括程式碼、日誌與批判報告）都會儲存至磁碟，讓研究人員可在任何時刻檢視或接手流程。

適用對象

專為希望自動化發現新研究方向與執行實驗，同時維持論文級證據所需科學嚴謹性的 AI 與機器學習研究人員所設計。

特色

• 跨領域發現：結合外部研究信號與本地領域知識，以發現新問題。
• 獨立的多模型審查：要求多個不同的模型身份參與，以防止自我批准構思。
• 具狀態且可恢復：將所有計畫、程式碼與日誌儲存至磁碟，讓長時間執行的實驗可在中斷後繼續。
• 試驗先行方法：在擴展至完整運算資源前，以低成本驗證可行性。
• 支援負面結果：保留失敗假設的證據，而非強迫呈現成功故事。