auto research类研究综述

Aroma
  2026-05-25 2026-05-25 Created   2026-05-25 2026-05-25 Updated    

参考handsome-rich/Awesome-Auto-Research-Tools

本文聚焦方法论维度分析。每个系统从以下角度考察：

  • 搜索策略：树/图/链式搜索范式
  • 记忆机制：持久化记忆 / 分层记忆 / 跨 session 学习
  • 知识进化方法：知识评估 / 假设生成与验证 / 知识更新
  • 其他特殊方法：质量控制、人机协作、领域适配等

1. R&D-Agent (Microsoft)

Li et al. (2025). R&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization. NeurIPS 2025. [arXiv] [code]

搜索策略

  • 多臂老虎机调度（Contextual Two-Armed Bandit）：将”优先优化因子 vs 模型”建模为两臂老虎机，用 8 维性能状态向量 + 线性 Thompson Sampling 自适应平衡探索与利用。
  • 知识森林（Knowledge Forest）：按动作类型分类的历史假设树。成功→提升复杂度/扩大范围；失败→结构调整或引入新变量。“局部精炼 → 方向转换 → 策略重访”的搜索模式。
  • Co-STEER 使用 DAG 任务依赖建模，拓扑排序指导执行，维护 task-code-feedback 三元组进行跨任务代码知识迁移。

记忆机制

  • 动态知识库：记录成功/失败的 task-code-feedback 三元组
  • 知识森林：跨 session 的假设树持久化，支持自适应检索

知识进化方法

  • 假设生成：Synthesis Unit 基于历史实验生成新的因子/模型假设
  • 验证：Qlib 平台真实市场回测（IC>=0.99 去重）
  • 评估与反馈：Analysis Unit 多维评估，驱动下一轮迭代
  • 联合优化：因子-模型联合优化（Factor-Model Co-optimization）

其他特殊方法

  • Co-STEER：用 DAG 建模代码依赖，跨任务知识迁移
  • 数据中心设计：LLM 仅接触 schema 级信息，不暴露原始市场数据

2. AutoResearchClaw (AIMING Lab, UNC)

arXiv:2605.20025. [code]

搜索策略

  • 23 阶段确定性流水线：从 idea → 文献检索 → 方法设计 → 代码 → 沙箱实验 → 统计分析 → 论文 → 多 agent 评审。整体是链式结构，但内部有分支。
  • MetaClaw 跨运行学习：流水线失败 → 结构化提取教训 → 生成可复用的 SKILL.md 文件。跨 session 的失败经验积累形成适应性搜索偏置。

记忆机制

  • MetaClaw 技能文件：失败→教训的形式化持久化，注入到所有 23 个阶段
  • 无显式的分层记忆结构，但实验失败以技能形式跨 session 复用

知识进化方法

  • 域特异实验 Agent：HEP→ColliderAgent, 生物→COBRApy, 统计→simulation agent
  • ARC-Bench 评测：55 个开放主题的自主研究基准
  • 4-round paper quality audit：AI-slop 检测、7 维评分、NeurIPS checklist

其他特殊方法

  • HITL Co-Pilot：6 种干预模式（gate-only / step-by-step / co-pilot 等），ALHF 学习人类偏好
  • 多域路由：自动将实验任务路由到对应域的专家执行 agent
  • CLI agent 委派：将复杂代码生成委派给外部 CLI agent（Claude Code / Codex 等）

3. ARIS (Auto-Research-In-Sleep)

wanshuiyin. arXiv:2605.03042. [code]

搜索策略

  • 5 步循环基元：plan → draft → adversarial review → iterate → persist。这不是树也不是链，而是受控对抗循环。
  • Effort × Assurance 双轴控制：effort 控制搜索深度（lite→beast），assurance 控制验证严格度（draft→submission）。正交双轴实现灵活的计算-质量权衡。

记忆机制

  • 文件化 artifact 契约：通过固定路径的 Markdown 文件（IDEA_REPORT.md, REVIEW_STATE.json）实现状态持久化，天然支持 resume。
  • 被动事件日志：hooks 层写入 .aris/meta/events.jsonl
  • /meta-optimize：从事件日志提出技能改进，实现自我进化的方法论

知识进化方法

  • 跨模型对抗性评审：执行者（executor）与评审者（reviewer）分离。评审者在全新零上下文线程中阅读 artifact（仅文件路径，无摘要）。反谄媚约束——“Executor must NOT judge its own integrity”。
  • 5 层完整性审计链（Assurance Contract）：
    1. /experiment-audit：实验代码诚实性
    2. /result-to-claim：结果到主张的科学有效性
    3. /paper-claim-audit：论文数字如实报告（零上下文）
    4. /citation-audit：引用存在性+上下文适当性
    5. /kill-argument：最强反驳 + 独立裁判
      当 assurance: submission 时，任何层 non-green 则拒绝输出

其他特殊方法

  • 方法论优先于平台：轻量级 Markdown-only skills，不依赖特定 agent 框架
  • 自改进方法论：/meta-optimize 读取事件日志并修改自身技能定义
  • 泛化到非学术场景：同样的 5 步循环可用于投资尽调、法律研究等

4. AI-Scientist-v2 (Sakana AI)

Sakana AI. The first AI-generated workshop paper accepted through peer review. [code]

搜索策略

  • BFTS（Best-First Tree Search）：在实验空间中做树搜索。每个节点代表实验状态，从当前最佳节点扩展。配置参数：num_workers（并行路径）、steps（最大节点数）、max_debug_depth（失败调试上限）、num_drafts（初始根节点数）。
  • 去模板化（Template-Free）：v1 依赖人工预设模板 → v2 从主题描述自主生成 idea、设计实验、执行、撰写。范式转变：模板内搜索 → 开放域树搜索。

记忆机制

  • 无显式跨 session 持久化记忆。每个实验运行从零开始。
  • 重试机制：max_debug_depth 和 debug_prob 控制失败路径的调试重试

知识进化方法

  • 两阶段流程：Stage 1 Ideation（LLM brainstorming + Semantic Scholar 新颖性检查）→ Stage 2 BFTS Experimentation
  • 自动化论文撰写与评审：生成论文后，使用 LLM 评审打分，评估科学质量

其他特殊方法

  • 首次验证 AI 生成的论文可以通过真实同行评审（ICLR 2025 Workshop）
  • vs v1：成功率低但探索性更强——这是模板 vs 开放探索的根本权衡

5. DeepScientist (Westlake / ResearAI)

ICLR 2026 Top-10 Rated. arXiv:2509.26603. [code]

搜索策略

  • 贝叶斯优化（Bayesian Optimization）作为形式化框架：科学价值函数 f: I → ℝ 是黑箱，优化目标是 I* = argmax f(I)。一次评估 ≈ 完整科研周期（~10¹⁶ FLOPs）。
  • UCB（Upper Confidence Bound）采样：
    > I_{t+1} = argmax_{I∈Pnew} [ wᵤvᵤ + w_qv_q + κ·vₑ ]
    • 利用项：wᵤvᵤ + w_qv_q（高价值/高质量）
    • 探索项：κ·vₑ（高不确定性）
    • 实验：无 UCB → ~0% 成功率，有 UCB → ~1-3%，节省 ~80,000 GPU 小时

记忆机制

  • Findings Memory（发现记忆）——三级层次化记忆：
    | 类型 | 阶段 | 描述 |
    |——|——|——|
    | Idea Finding | 假设 | 未验证假设 + LLM 估值向量 V = ⟨vᵤ, v_q, vₑ⟩ |
    | Implement Finding | 验证 | 经 UCB 选中后实验验证，含实验结果 |
    | Progress Finding | 晋升 | 仅当超越基线时晋升，触发深度分析 → LaTeX 论文 |
  • 失败路径保留（不删除），约束代理模型避免重探死路
  • 多 GPU 并行时共享 Findings Memory，每 5 轮同步 → 近乎线性的人格并发增益
  • Research Map：每个 quest 是真实 Git 仓库，分支=探索方向，worktree=并行实验。Canvas UI 从 Git 结构重建发现轨迹图。

知识进化方法

  • LLM as Surrogate Model：LLM Reviewer 结合 Findings Memory 对假设空间进行三维估值
  • 三阶段闭环：Strategize & Hypothesize → Implement & Verify → Analyze & Report
  • 发现速度：将人类 3 年的 AI 文本检测研究压缩到 14 天

其他特殊方法

  • 全系统可用形式化数学描述（BO 框架 + UCB + 三维估值）
  • 被 ICLR 2026 接收为 Top-10 论文——系统本身是学术贡献

6. EvoScientist (Huawei / VU Amsterdam)

arXiv:2603.08127. 6/6 AI-generated papers accepted at ICAIS 2025 (2 awards).

搜索策略

  • Idea Tree Search：树状 propose → review → refine，每节点存储（idea draft, review feedback），最多 N_I=21 个候选。
  • Elo Tournament 选优：配对比较（novelty/feasibility/relevance/clarity）。Elo 评分在噪声 LLM 评委下产生稳定排名，无需校准绝对分数。
  • 4-Stage Experiment Tree Search（Engineer Agent）：
    1. Initial Implementation（up to 20 attempts）
    2. Hyperparameter Tuning（up to 12）
    3. Proposed Method（up to 12）
    4. Ablation Studies（up to 18）

记忆机制

  • Ideation Memory (M_I)：存储有前景/已失败的研究方向。embedding-based cosine-similarity 检索，top-k_I=2 注入 RA prompt。
  • Experimentation Memory (M_E)：存储成功的数据处理/训练策略。top-k_E=1 注入 EA prompt。
  • EMA（Evolution Manager Agent）读取所有交互历史，更新双记忆模块。跨 session 持久化。

知识进化方法（核心贡献）

三种命名机制，由 EMA 驱动：

  1. Idea Direction Evolution (IDE)：Top-3 Elo 想法 → M_I 的新方向
  2. Idea Validation Evolution (IVE)：实验失败 → M_I 的失败方向，防止重探死路
  3. Experiment Strategy Evolution (ESE)：成功代码搜索轨迹 → M_E 的可复用策略

消融实验：

  • 移除 IDE → novelty 下降 66.67%
  • 移除 IVE → feasibility 下降 63.33%
  • 移除所有演化 → 80-83% 失败率
  • Code success rate 从 34.39% → 44.56%（ESE 后）

其他特殊方法

  • Human-on-the-Loop：人类设置目标、审查最终产出，AI 全程自主。区别于 human-in-the-loop（批准每一步）和 human-out-of-loop（完全无监督）。
  • 将”系统变得更好”（evolve）作为第一类概念——不是固定流水线，而是可演化的方法论。

7. AI-Researcher (HKU)

Tang et al. NeurIPS 2025 Spotlight. arXiv:2505.18705. [code]

搜索策略

  • Mentor-Student 迭代精化：借鉴学术研究中的导师-学生关系，多 agent 协作通过结构化反馈循环迭代精化代码。不是树搜索，而是有层次地传递实现策略的迭代链。
  • Resource Analyst Agents：将复杂概念分解为原子组件，在数学公式和代码实现之间建立显式双向映射，降低生成代码的幻觉风险。

记忆机制

  • 无显式的跨 session 持久化记忆系统

知识进化方法

  • 两层创新任务：Scientist-Bench 定义 Level-1（Guided Innovation，给指令）和 Level-2（Open-Ended Exploration，仅给主题）
  • 反直觉发现：Level-2 表现优于 Level-1，“自主系统在依赖内部知识综合而非遵循预设指令时表现更好”
  • Documentation Agent：层次化综合方法将实验产物转化为出版级论文

其他特殊方法

  • Scientist-Bench：第一个全面自主科研系统基准
  • 覆盖 22 篇 benchmark paper，多 LLM evaluator

8. Agent Laboratory

Schmidgall et al. arXiv:2501.04227. [code]

搜索策略

  • 三阶段确定性链式流程：Literature Review → Experimentation → Report Writing。每个阶段由专业 agent 驱动。
  • 普通链式搜索，无树/图结构

记忆机制

  • 无跨 session 持久化记忆
  • 支持 checkpoint 加载（state_saves）

知识进化方法

  • AgentRxiv：agent 之间的知识接力平台——自主科研 agent 可以上传、检索、基于彼此工作构建。这是目前少数实现”agent-to-agent 知识共享”的系统。

其他特殊方法

  • Co-Pilot 模式：用户在 YAML 配置中设置 copilot-mode: "true"，系统在关键决策点等待人类输入
  • Task Notes 系统：用户通过 task_notes_LLM 结构注入领域知识、计算约束、偏好

9. InternAgent (Shanghai AI Lab)

1.0: arXiv:2505.16938. 1.5: arXiv:2602.08990.

搜索策略

  • FlowSearch（动态依赖图搜索）：将科研建模为演化依赖图而非顺序计划。节点=子问题/概念，边=知识依赖。flow planner 初始化图，随着研究进行递归分解、上游知识整合、动态修订。并行探索（广度）和层次分解（深度）同时进行——解决单 agent 隧道视野和 naive 多 agent 碎片化推理的权衡。GAIA/HLE/GPQA/TRQA 上 SOTA。
  • Progressive search within bounded hypothesis spaces（MLEvolve）

记忆机制（InternAgent 1.5 关键创新）

三层跨 session 记忆系统：

  1. Task Memory（在线记忆）：每次实验结束存储 idea + metrics + label（positive/neutral/negative）。下一轮通过混合搜索（keyword + semantic embedding via BAAI/bge-base-en-v1.5）检索，注入生成 prompt。
  2. IdeaGraph：跨 session 的想法图，节点=想法，边=语义相似性。用于检测冗余、度量探索广度。
  3. PromptEvolver：基于累积经验周期性重写 idea generation prompt 本身。将系统推向有成功记录的方向，远离失败路径。实现搜索策略的元学习。

知识进化方法

  • 领域无关框架：同一系统处理物理模拟、生物信息学、地球科学、AI 等 12+ 任务类型
  • ResearchClawBench 复现任务：给定论文 PDF + 数据，agent 需自主复现关键发现
  • LLM-judge 评分：对照 checklist.json，0-100 分（50=匹配论文，>50=超越）

其他特殊方法

  • 统一性：证明同一框架跨 4+ 学科领域有效
  • MLEvolve 和 FlowSearch 两子系统并行

10. Biomni (Stanford)

Huang et al. bioRxiv 2025. [code]

搜索策略

  • Retrieval-augmented planning → LLM reasoning → code-based execution 三步循环
  • 无模板/无任务特定调优——零样本泛化到新任务

记忆机制

  • Know-How Library：生物医学技术最佳实践、协议、故障排除指南的策展集合。在规划步骤被检索注入，将通用 LLM 知识与专科程序性知识连接。自动检索，非跨 session 学习。

知识进化方法

  • Action Discovery Agent：LLM agent 扫描 ~2,500+ bioRxiv 论文（跨 25 个生物医学子领域），提取核心工具、数据库和工作流程，自动形式化一个学科的计算行动空间。150 个工具、105 个软件包、59 个数据库。
  • Biomni-R0：从 agent 交互轨迹 RL 微调的 Qwen-32B 领域推理模型

其他特殊方法

  • 多模态处理：通过工具组合式调用而非统一编码器
  • BioMNI-Bench：8 个真实场景（因果基因优先级、药物重定位、罕见病诊断等）
  • +402.3% over base LLM, +43% over coding agent

11. autoresearch (Karpathy)

Karpathy. 2026. ~630 行代码 + program.md.

搜索策略

  • 贪心爬山（Greedy Hill-climbing in training-script space）：编辑 train.py → git commit → 5 分钟实验 → 读 val_bpb → 改进保留，否则 git reset –hard
  • 每次编辑可能涉及架构、优化器、超参数、激活函数等任意层面

记忆机制

  • Git 作为实验账本：每个 commit = 一次实验，改进的 commit 被保留，差的被 reset。这是基于版本控制的隐式记忆。
  • results.tsv：被 gitignore 的日志文件，记录所有实验结果。

知识进化方法

  • program.md 作为元优化层：人类编辑 program.md 来调整 agent 行为策略。形成”人类元优化 → agent 对象级实验”的两层循环。
  • 被冻结的 prepare.py：包含 eval 逻辑，agent 不能修改——防止 metric gaming。

其他特殊方法

  • 极简设计哲学：minimal scaffolding，无 agent 框架/无 tool-calling API
  • 5 分钟固定时间预算作为实验单元，~100 次实验/夜
  • Simplicity as reward：代码删除视为改进，复杂度和改进幅度需要权衡

12. claude-scholar

Galaxy-Dawn. 2026. [code]

搜索策略

  • 半自动化链式流程：ideation → coding → experiments → writing → publication，人类在每一步控制节奏
  • 不支持树/图搜索

记忆机制

  • 证据门控研究契约（Evidence-Gated Research Contract）：research-contract.md 定义证据记录、主张强度等级和晋升门控。原始注释在 Sources/Papers/，通过审查的主张晋升到 Knowledge/ → Writing/。这是形式化的知识论品质控制链。
  • Obsidian Vault 分层：Sources/Papers/ → Knowledge/ → Writing/，每层不同晋升标准

知识进化方法

  • Zotero 作为流水线节点：不是单纯的引用管理，而是结构化论文导入+元数据清洗+注释提取的完整流水线
  • Expression-Skill：conclusion-first 框架约束所有输出

其他特殊方法

  • 多 CLI 运行时适配：同一套 skills 在 Claude Code / Codex CLI / OpenCode 上运行
  • pubfig / pubtab：将”分析代码中的图/表”与”出版级 artifact 生成”分离

13. Idea2Paper / Idea2Story (AgentAlpha)

arXiv:2601.20833. [code]

搜索策略

  • 离线预计算 → 在线检索适配：范式转移——将 LLM 在线推理的优势与离线知识图谱的结构化约束结合。
  • 三级层次化检索：idea-level（语义相似）→ domain-level（跨域类比）→ paper-level（源论文）

记忆机制

  • 方法论知识图谱（Methodological Knowledge Graph）：
    • 节点 = Method Unit（论文的原子方法论组件）
    • 边 = 关系（extends / combines-with / applied-to / contrasts-with）
    • 共现模式 = 可复用的 research patterns
  • Review Signals 锚定：8,285 篇 ICLR 2025 论文的评审反馈作为质量过滤器
  • 这是离线持久化知识库，非运行时记忆

知识进化方法

  • Method Unit 提取：LLM 流水线将论文分解为原子组件——不是自由文本摘要，不是论文级 embedding，而是可组合的方法论原语。
  • Review-Guided Refinement：LLM agent 使用存储的 peer review 反馈作为质量锚点精化检索模式
  • Anchored Multi-Agent Review：评审意见锚定在 KG 的评审信号中

其他特殊方法

  • 将计算时间从运行时转移到离线阶段：运行时只需检索-适配，避免昂贵的长上下文 LLM 推理
  • 不假设”LLM 在线推理就够”——这是方法论上最独特的前提假设

14. DATAGEN

GitHub only. ~1.7k stars. 无正式论文.

搜索策略

  • LangGraph 状态图编排8 个 agent：hypothesis / process / code / visualization / searcher / report / quality-review / note agent
  • Human-in-the-loop 假设门控：状态机中的中断节点，用户在继续前验证假设

记忆机制

  • Note Taker Agent：专用的 note agent 维护运行中结构化研究记录，解决多步工作流上下文窗口碎片化
  • PheroPath（实验性）：文件级 inter-agent 信息素信号（DANGER/TODO/SAFE），蚁群启发的协调机制

知识进化方法

  • Progressive Disclosure 配置：三级配置（AGENT.md skills + config.yaml + MCP servers），每 agent 可分配不同模型
  • 检索 = 标准 web search（Firecrawl/Tavily），无特殊

其他特殊方法

  • 无正式论文，方法论深度有限
  • 工程价值多于学术价值

方法论维度横向对比

搜索策略光谱

1
2
3
4
5
6
7
8
9
10
11
12
13
贪心爬山 ──────────────────────────────────→ 形式化优化框架
  autoresearch                                      DeepScientist (BO+UCB)
        │                                                    │
        ├── 链式流水线 ───────────────────┐
        │   Agent Lab / claude-scholar    │
        │                                │
        └── 树搜索 ────────────┐
            AI-Scientist-v2 (BFTS)    │
            EvoScientist (双树搜索)     │
                                      │
            └── 图搜索 ───────────┐
                InternAgent (FlowSearch)  │
                RD-Agent (Knowledge Forest)│

记忆机制的维度

系统记忆类型持久化层次化跨 session
DeepScientistFindings Memory（三级类型）✅✅ Idea/Implement/Progress✅
EvoScientist双记忆（M_I + M_E）✅✅ 两种专业模块✅
InternAgent 1.5三层（Task Mem + IdeaGraph + PromptEvolver）✅✅ 三层次✅
RD-AgentKnowledge Forest（假设树）✅✅ 按动作类型分类✅
AutoResearchClawMetaClaw（技能文件）✅❌ 扁平✅
ARIS事件日志 + REVIEW_STATE.json⚠️ session 内❌⚠️ events 可跨 session
Idea2Paper方法论 KG（离线预计算）✅✅ 三级检索✅
autoresearchGit + results.tsv⚠️ 隐式❌❌
AI-Scientist / AI-Scientist-v2 / AI-Researcher / Agent Lab❌❌❌❌
BiomniKnow-How Library（离线策展）✅❌❌（注入非学习）

知识进化创新的类型

类型代表系统核心机制
贝叶斯优化DeepScientistLLM Surrogate + UCB + Findings Memory 更新
元学习演化EvoScientistEMA 读取历史 → IDE/IVE/ESE 更新双记忆
记忆+Prompt 演化InternAgent 1.5Task Memory + IdeaGraph → PromptEvolver 改写生成策略
假设树自适应RD-AgentKnowledge Forest：成功→扩张，失败→重组
失败→技能蒸馏AutoResearchClawMetaClaw：失败→lesson→SKILL.md 文件
自我改进方法论ARIS/meta-optimize 从 events.jsonl 提出技能改进
离线 KG 锚定Idea2PaperMethod Unit 提取 + Review Signals → 检索式精化

质量控制方法的维度

系统代码诚信主张验证引用校验论文质量
ARISexperiment-auditresult-to-claim + paper-claim-auditcitation-audit + kill-argument5 层硬门控
DeepScientist无显式Progress Finding 晋升条件无LLM 评审
AI-Scientist无模板约束Semantic ScholarLLM peer review
AutoResearchClawAI-slop 检测统计分析无4-round audit + checklist
claude-scholar无Evidence-Gated Claim PromotionZotero 管理人类控制
AI-Researcher概念-代码映射防幻觉无显式无Documentation Agent

ARIS 是唯一将科研诚信保障系统化成形式化验证门的系统，5 层审计链覆盖从代码逻辑到论文声明的全链条。

尚未涵盖的系统（待补充）

以下系统也出现在 awesome list 的 E2E 分类中，但本文未深入分析（存在于前述 e2e-auto-research-survey.md 中）：

  • OpenClaw：AutoResearchClaw 的底层运行时框架
  • AIDE (Agentic Iterative Development & Execution)：AI-Scientist-v2 使用的底层实验引擎
  • TinyScientist：EMNLP 2025 Demo，EvoScientist 团队的轻量版

最后更新：2026-05-25

  • Title: auto research类研究综述
  • Author: Aroma
  • Created at : 2026-05-25 00:00:00
  • Updated at : 2026-05-25 00:00:00
  • Link: https://recynie.github.io/blog/2026-05-25/auto-research-overview/
  • License: This work is licensed under CC BY-NC-SA 4.0.
On this page
auto research类研究综述
  1. 1. 1. R&D-Agent (Microsoft)
    1. 1.1. 搜索策略
    2. 1.2. 记忆机制
    3. 1.3. 知识进化方法
    4. 1.4. 其他特殊方法
  2. 2. 2. AutoResearchClaw (AIMING Lab, UNC)
    1. 2.1. 搜索策略
    2. 2.2. 记忆机制
    3. 2.3. 知识进化方法
    4. 2.4. 其他特殊方法
  3. 3. 3. ARIS (Auto-Research-In-Sleep)
    1. 3.1. 搜索策略
    2. 3.2. 记忆机制
    3. 3.3. 知识进化方法
    4. 3.4. 其他特殊方法
  4. 4. 4. AI-Scientist-v2 (Sakana AI)
    1. 4.1. 搜索策略
    2. 4.2. 记忆机制
    3. 4.3. 知识进化方法
    4. 4.4. 其他特殊方法
  5. 5. 5. DeepScientist (Westlake / ResearAI)
    1. 5.1. 搜索策略
    2. 5.2. 记忆机制
    3. 5.3. 知识进化方法
    4. 5.4. 其他特殊方法
  6. 6. 6. EvoScientist (Huawei / VU Amsterdam)
    1. 6.1. 搜索策略
    2. 6.2. 记忆机制
    3. 6.3. 知识进化方法（核心贡献）
    4. 6.4. 其他特殊方法
  7. 7. 7. AI-Researcher (HKU)
    1. 7.1. 搜索策略
    2. 7.2. 记忆机制
    3. 7.3. 知识进化方法
    4. 7.4. 其他特殊方法
  8. 8. 8. Agent Laboratory
    1. 8.1. 搜索策略
    2. 8.2. 记忆机制
    3. 8.3. 知识进化方法
    4. 8.4. 其他特殊方法
  9. 9. 9. InternAgent (Shanghai AI Lab)
    1. 9.1. 搜索策略
    2. 9.2. 记忆机制（InternAgent 1.5 关键创新）
    3. 9.3. 知识进化方法
    4. 9.4. 其他特殊方法
  10. 10. 10. Biomni (Stanford)
    1. 10.1. 搜索策略
    2. 10.2. 记忆机制
    3. 10.3. 知识进化方法
    4. 10.4. 其他特殊方法
  11. 11. 11. autoresearch (Karpathy)
    1. 11.1. 搜索策略
    2. 11.2. 记忆机制
    3. 11.3. 知识进化方法
    4. 11.4. 其他特殊方法
  12. 12. 12. claude-scholar
    1. 12.1. 搜索策略
    2. 12.2. 记忆机制
    3. 12.3. 知识进化方法
    4. 12.4. 其他特殊方法
  13. 13. 13. Idea2Paper / Idea2Story (AgentAlpha)
    1. 13.1. 搜索策略
    2. 13.2. 记忆机制
    3. 13.3. 知识进化方法
    4. 13.4. 其他特殊方法
  14. 14. 14. DATAGEN
    1. 14.1. 搜索策略
    2. 14.2. 记忆机制
    3. 14.3. 知识进化方法
    4. 14.4. 其他特殊方法
  15. 15. 方法论维度横向对比
    1. 15.1. 搜索策略光谱
    2. 15.2. 记忆机制的维度
    3. 15.3. 知识进化创新的类型
    4. 15.4. 质量控制方法的维度
  16. 16. 尚未涵盖的系统（待补充）