AutoKD：自主知识发现

当前，数据丰富领域中的科学发现受到人类带宽的限制：现实世界数据的规模和复杂性增长速度远远超过研究人员阅读、推理和综合信息的能力。近期基于 LLM 的多智能体系统已经开始实现研究周期部分环节的自动化，但它们主要针对假设生成，而在这些场景中，验证本身无法实现自动化；此外，每次运行都是一次性的，没有机制让研究结果不断积累或引导后续探究。本文介绍了 AutoKD，这是一种用于自主知识发现的多智能体框架，兼具计算性和累积性，使经过验证的发现得以持久保存，并为后续探究提供信息。六个相互协作的 LLM 智能体共同参与一个开放式发现循环：被接受的发现会存储在持久化洞见图中，该图既充当长期记忆，也作为引导探索的机制。我们从两个角度在三个多样化数据集上评估 AutoKD：针对已发表发现的开放式质量，以及通过文献衍生查询评估的条件式质量。在这两个评估角度下，AutoKD 不仅覆盖了已知发现，还提出了能够补充人类驱动研究的重要新发现。我们的代码已发布于 https://github.com/GeQinwen/AutoKD。