LabBook：利用实验历史实现高效的 LLM 驱动发现

arXiv:2610.00675v1 公告类型：新摘要：LLM 驱动发现中的进化方法通常从少量选定的祖先程序生成新程序。这样可以控制上下文规模，但可能遗漏其他实验中的有用证据；而纳入完整的实验历史又会产生冗长且冗余的上下文。我们介绍了一种围绕 LabBook 构建的简单单智能体发现框架。LabBook 由智能体维护，发挥两种互补作用：从完整实验日志中引导检索相关证据，并为新解决方案的生成提供信息。在每次迭代中，同一个智能体将其记忆与检索到的证据相结合，同时生成下一个程序并更新 LabBook。该方法将完整历史保留与选择性上下文构建分离，无需显式的种群或分支搜索结构。在 49 个 Frontier-CS 问题上，与使用两种骨干模型评估的进化基线相比，LabBook 改善了观测到的质量—成本权衡；在另外九项数学、系统和启发式设计任务中也保持了竞争力。代码将发布于 https://github.com/BoYuanVisionary/LabBook。