摘要
近年来，大型语言模型的进步推动了能够处理复杂科学任务的自主 AI 代理的发展。然而，现有的自动化研究系统仍主要集中在以经验驱动的领域，缺乏对需要严谨证明和领域知识综合的数学基础学科的关注。关键挑战包括在规模上验证理论推理的困难、自主前沿探索的推理能力不足，以及文献中程序性启发式方法的稀缺。
我们介绍了 ReasFlow，这是一个面向推理的科学发现的端到端自主代理系统，实施了一种协作范式，其中人类专家充当首席研究员，而代理则作为能力强大的研究生执行严格的推导。ReasFlow 包含以下特点：
- 一个强大的内部验证循环，审核逻辑一致性并在人工检查之前纠正基本错误；
- 一个自动化知识检索和自我改进机制，主动挖掘声明性事实和被忽视的程序性启发式，大幅减少专家干预。
该系统将文献综述、算法设计、定理证明、实验和手稿准备统一在一个系统中。ReasFlow 被部署以自主生成五篇完整的研究论文，具有严格的理论和实证内容，仅需最小提示，且在经过精心策划的基于 LLM 的评审标准下，始终在最先进的开放获取基准中取得最高评价分数。ReasFlow 通过 ReasLab 平台公开访问，为 AI 辅助的理论研究提供了一个协作工作空间。
GitHub 仓库：ReasFlow
博主点评： ReasFlow 的提出标志着理论驱动科学发现的新方向，尤其是在数学领域。通过结合人类专家的智慧与 AI 的强大推理能力，ReasFlow 不仅提升了研究效率，也为科学探索提供了新的可能性。其自动化的知识检索和验证机制显著降低了人工干预，展现了 AI 在学术研究中的潜力。