这篇论文彻底改变了我对智能体AI架构的看法

我刚刚读了《Self-Revising Discovery Systems for Science》（arXiv:2606.01444），想分享其中的关键思想，并听听实际构建智能体的人们的看法。 **当前智能体的问题** 大多数当前的智能体系统只在做两件事——检索或搜索。它们要么获取已知的工件，要么在固定的工具和概念词汇表中寻找新的组合。该论文认为这与发现有本质区别，并且当前架构没有机制来识别它们的世间模型何时完全是错误的，而不是不完整的。 **提出的架构** * 所有内容存储为强类型有向无环图。每个假设、行动和失败都是不可变的、类型化的工件。 * 当新证据无法在当前模式中表示时，系统使用左Kan扩展执行模式迁移，该扩展会携带旧工件向前，并保证没有任何内容被静默丢失。 * 那些无法通过将旧工件迁移到新模式来解释的内容，正是发现发生的地方，他们称之为残差。 * 一个MDL门控充当裁判，只有在相同数据上重新拟合后，修订版本的压缩比原模型更好地压缩所有累积的证据时，该修订才会被提交。 **让我印象最深刻的部分** 被拒绝的备选方案被保留为头等类型化的工件，而不是被删除。审计跟踪不仅包括智能体接受了什么，还包括它考虑了什么以及为什么拒绝。这与当前大多数智能体记忆系统的工作方式截然不同。 **给构建智能体的人的问题** 1. 你们目前如何处理智能体现有工具和模式确实无法表示一个新问题（不仅仅是一个困难的问题，而一个类别不同的问题）的情况？ 2. 是否有人实现了对智能体生成工件施加类似MD的复杂度惩罚？即惩罚臃肿，而不仅仅是奖励任务完成？