量子位
·
将科研脏活累活真·丢给AI！上海AI Lab推出科研智能体FlowSearch
内容提要
上海AI Lab推出的FlowSearch科研智能体，通过动态知识流实现科研自动化，展现出在复杂科研任务中的协作与推理能力，标志着科研智能体从“工具”向“伙伴”的转变。
关键要点
-
上海AI Lab推出FlowSearch科研智能体，实现科研自动化。
-
FlowSearch在GAIA、HLE、GPQA和TRQA等基准上表现优异，展示了动态协作与深度推理能力。
-
科研过程是开放性、长期且复杂的认知过程，FlowSearch通过动态结构化知识流支持这一过程。
-
FlowSearch由Knowledge Flow Planner、Knowledge Collector和Knowledge Flow Refiner三大核心模块组成。
-
FlowSearch使用有向无环图可视化科研任务和知识关系，支持多条探索路径。
-
Planner模块采用递归扩展策略，逐层细化科研问题，生成完整的知识流。
-
Knowledge Collector执行任务并整理信息，Knowledge Flow Refiner优化任务顺序，保持知识流进化。
-
FlowSearch在GAIA、GPQA-diamond、HLE等基准上超越现有方法，显示出强大的专业问题解决能力。
-
去除动态知识流建模或反思模块会显著降低性能，验证了其关键价值。
-
FlowSearch的提出标志着科研智能体向知识驱动推理的转变，降低科研新人学习门槛。
-
FlowSearch为未来可解释科研智能体与自演化科学发现系统奠定基础，推动AI成为科研伙伴。
延伸问答
FlowSearch科研智能体的主要功能是什么？
FlowSearch通过动态知识流实现科研自动化，具备协作与推理能力，支持复杂科研任务的执行。
FlowSearch是如何优化科研过程的？
FlowSearch通过三个核心模块协同工作，动态调整任务顺序，确保知识流的持续进化和全局一致性。
FlowSearch在科研基准测试中的表现如何？
FlowSearch在GAIA、HLE、GPQA等基准上表现优异，超越现有方法，显示出强大的专业问题解决能力。
FlowSearch的核心模块有哪些？
FlowSearch由Knowledge Flow Planner、Knowledge Collector和Knowledge Flow Refiner三大核心模块组成。
FlowSearch如何帮助科研新人？
FlowSearch能够构建完整的知识探索路径，降低科研新人进入新领域的学习门槛。
FlowSearch的动态知识流有什么重要性？
动态知识流使科研推理不再依赖线性顺序，支持多条探索路径，提高了科研过程的灵活性和透明度。
