AI-Supervisor：通过持续研究世界模型进行自主人工智能研究监督

现有的自动化研究系统作为无状态的线性管道运行——生成输出，而不保持对其所导航的研究环境的任何持久理解。他们按顺序处理论文，在没有结构化差距分析的情况下提出想法，并且缺乏代理验证、质疑或完善彼此发现的机制。我们提出了 \textbf{AI-Supervisor}，这是一个多代理编排框架，其中专门的代理通过自主探索和研究知识的自我修正更新，提供由人类兴趣驱动的端到端人工智能研究监督——从文献综述到差距发现、方法开发、评估和论文写作。与顺序管道不同，AI-Supervisor 维护着一个不断发展的 \emph{研究世界模型}，以知识图的形式实现，它捕获方法、基准、已知限制和未探索的差距，充当所有代理之间的共享内存，并使代理能够探索和建立对研究领域的结构化理解。该框架引入了三个架构贡献：（1）\emph{结构化差距发现}，将方法分解为核心模块，跨基准验证其性能，并映射每个模块创建的特定差距； （2）\emph{自我纠正发现循环}，探究为什么模块在某些问题上成功而在其他问题上失败，基准是否带有隐藏的偏差，以及评估协议是否足以应对新出现的挑战； (3)\emph{自我改进的开发循环}由跨域机制搜索控制，通过从其他科学领域寻找解决方案来迭代地针对失败的模块。所有代理都在\emph{共识机制}下运作，独立的发现在投入研究世界模型之前得到证实。