AI-Supervisor：基于持续性研究世界模型的自主 AI 研究监督

现有的自动化研究系统作为无状态的线性管道运行——在没有保持对其导航研究景观的持续性理解的情况下生成输出。它们顺序处理论文、提出想法而缺乏结构化的 gap 分析，以及缺乏代理相互验证、挑战或细化彼此发现的机制。我们提出了 AI-Supervisor，一个多代理编排框架，其中 specialized agents 提供端到端的 AI 研究监督，由 human interests 驱动——从文献综述、gap 发现、方法开发、评估到论文写作——通过自主探索和自我纠正更新 research knowledge。与顺序管道不同，AI-Supervisor maintains 一个 continuously evolving Research World Model，实现为 Knowledge Graph，该模型捕获方法、基准、已知局限性和未探索的 gap，作为所有代理之间的共享记忆，使代理能够探索和构建对研究景观的结构化理解。该框架引入了三个架构贡献：(1) 结构化的 gap 发现，将方法分解为核心模块，验证其在基准上的性能，并映射每个模块所创建的具体 gap；(2) 自我纠正的发现循环，探讨模块在特定问题上成功而在其他问题上失败的原因，基准是否携带隐藏偏见，评估协议是否仍然适用于新出现的挑战；以及 (3) 自我改进的开发循环，通过跨域 mechanism search 来治理，迭代地针对失败的模块寻找来自其他科学领域的解决方案。所有代理都在一个 consensus mechanism 下运行，其中独立发现在提交到 Research World Model 之前都得到互相验证。