PRIME：通过效应建模对干预进行预测性路由，助力科学构思

反馈驱动的迭代被广泛用于改进 LLM 生成的科学构想，但现有系统要么将修订决策隐含在生成过程中，要么针对反馈定位的薄弱之处进行修订，要么将行动选择限制为系统特定的操作。这存在问题，因为问题、假设和解决方案相互依赖：薄弱之处显现的位置本身，并不能决定哪种修订范围能够产生更好的后续构想。我们将这一现象称为诊断—干预错配。我们提出 Predictive Routing of Interventions by Modeling Effects（PRIME），这是一个即插即用的反馈到修订决策层，可用于现有科学构思系统。PRIME 分三个阶段运行：（1）结构归因：基于问题—假设—解决方案结构解读反馈，而不预先确定修订目标；（2）反事实路由：构建以不同修订范围为条件的备选干预方案，并通过轻量级推演比较其预计产生的后续构想的效用与风险；（3）干预执行：将选定的干预方案编译为面向生成器的有序计划，其中包含语义动作、保留约束和依赖要求，以指导后续构想的生成。我们在 112 个人工标注的构想—反馈对上验证了诊断—干预错配现象。在四个基准、两个构思系统以及固定问题和开放问题设置下，PRIME 在后续构想质量和路由可靠性方面均优于强基线；移除反事实路由后，质量评分从 3.463 降至 1.960，路由遗憾值从 0.426 升至 1.929，证实跨范围效应建模是其性能提升的主要来源。