论文页面 - NanoResearch：通过共演化技能、记忆与策略实现个性化研究自动化

来源：https://huggingface.co/papers/2605.10813 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

NanoResearch 是一个多智能体框架，它通过累积可复用的技能、维护用户特定的经验，以及通过共演化组件内化隐性偏好，从而通过个性化辅助增强研究自动化。

由大型语言模型（LLM）驱动的多智能体系统如今已能自动化从构思到论文撰写的全流程研究管道，但一个根本性问题依然存在：自动化是服务于谁的？研究人员在不同的资源配置下工作，持有不同的方法论偏好，并针对不同的输出格式。如果系统无视这些差异而产生统一的输出，它将无法系统地满足每一位个体用户的需求，因此，个性化（https://huggingface.co/papers?q=personalization）是研究自动化（https://huggingface.co/papers?q=research%20automation）真正可用的先决条件。然而，实现这一点需要当前系统所缺乏的三种能力：跨项目累积可复用的程序性知识（https://huggingface.co/papers?q=procedural%20knowledge）、跨会话保留用户特定的经验（https://huggingface.co/papers?q=user-specific%20experience），以及内化难以明确形式化的隐性偏好（https://huggingface.co/papers?q=implicit%20preferences）。我们提出了 NanoResearch，这是一个多智能体框架（https://huggingface.co/papers?q=multi-agent%20framework），通过三级共演化（https://huggingface.co/papers?q=co-evolution）来解决这些不足。技能库（https://huggingface.co/papers?q=skill%20bank）将重复出现的操作提炼为紧凑的程序规则，以便在不同项目中复用。记忆模块（https://huggingface.co/papers?q=memory%20module）维护用户和项目的特定经验，使规划决策基于每位用户的研究历史。无标签策略学习（https://huggingface.co/papers?q=label-free%20policy%20learning）将自由形式的反馈转化为规划器的持久参数更新，从而重塑后续的协调过程。这三个层级共同演化：可靠的技能产生更丰富的记忆，更丰富的记忆指导更好的规划，而偏好的内化则不断将该循环重新对齐到每位用户身上。大量实验表明，NanoResearch 相比最先进的 AI 研究系统取得了显著的提升，并在连续循环中逐步自我优化，以更低成本产出更高质量的研究成果。

查看 arXiv 页面（https://arxiv.org/abs/2605.10813）查看 PDF（https://arxiv.org/pdf/2605.10813）GitHub910（https://github.com/OpenRaiser/NanoResearch）添加到收藏集（https://huggingface.co/login?next=%2Fpapers%2F2605.10813）

在你的智能体中获取这篇论文：

hf papers read 2605\.10813

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文模型0

没有链接到此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2605.10813 以从此页面链接。

引用此论文数据集0

没有链接到此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2605.10813 以从此页面链接。

引用此论文的 Spaces0

没有链接到此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2605.10813 以从此页面链接。

包含此论文的收藏集1