基于大语言模型（LLM）的自主科研框架Agent Laboratory：能够覆盖整个研究过程

共计 827 个字符，预计需要花费 3 分钟才能阅读完成。

在科学探索的道路上，从初步构思到最终成果往往需要耗费大量的时间和资源。为了加快这一进程、降低成本并提升研究质量，AMD 与约翰霍普金斯大学的研究团队共同开发了Agent Laboratory——一个基于大语言模型（LLM）的自主框架，它能够覆盖整个研究过程。

• 项目主页：https://agentlaboratory.github.io
• GitHub：https://github.com/SamuelSchmidgall/AgentLaboratory

Agent Laboratory 能为你做什么？

该框架旨在帮助研究人员实现其想法，通过三个主要阶段——文献综述、实验和报告撰写来支持整个研究流程。不论是在 MacBook 还是 GPU 集群上运行，Agent Laboratory 都能适应不同的计算资源，并且允许用户在每个阶段提供反馈和指导，确保研究的质量和方向。

研究成果展示

• 最佳表现：由 o1-preview 驱动的 Agent Laboratory 生成的研究成果最为出色。
• 先进性能：机器学习代码达到或超越现有方法的水平。
• 质量提升：人类参与及反馈显著提升了整体研究质量。
• 成本降低：相比传统方法，研究费用减少了 84%。

如何工作？

Agent Laboratory 的工作流程包括：

1. 文献综述：收集并分析相关研究论文。
2. 实验设计与执行：使用 mle-solver 工具进行迭代优化，解决机器学习问题。
3. 报告撰写：利用 paper-solver 将实验结果转化为学术论文格式。

评估与反馈

通过一系列测试，包括 MLE-bench 基准测试，以及对不同语言模型后端生成质量的人类评审，我们发现尽管存在差异，但各模型均显示出独特优势。例如，在协同模式下，评分显著提高，表明了人类指导的重要性。

结语

Agent Laboratory 不仅旨在加速科学发现，而且致力于让研究人员更专注于创新思维而非繁琐的任务。随着技术的进步，我们期待看到更多关于自主研究的突破，并希望 Agent Laboratory 成为你科研路上的得力助手。