ReasFlow：经知识驱动多智能体系统辅助应用数学中的推理中心科学发现

大语言模型的最新进展催生了能 tackling 复杂科学任务的自主AI智能体，但既有自动化研究系统仍主要聚焦有定量基准的经验驱动领域——理论驱动的发现，尤其是需要严格证明与领域知识综合的数学根基学科，在很大程度上未被探索。关键挑战包括大规模验证理论推理的困难、自主前沿探索的推理能力不足、以及文献中程序性启发式的稀缺。我们引入ReasFlow：一个面向推理中心科学发现的端到端自主智能体系统——把人类专家当首席研究员、智能体当执行严格推导的研究生这一协作范式操作化。ReasFlow纳入：(i) 鲁棒的内部验证回路——在人类检查前审计逻辑连贯并纠正根本错误；(ii) 自动化的知识检索与自改进机制——主动浮现陈述性事实与被忽视的程序性启发式，大幅减少专家干预。系统把文献综合、算法设计、定理证明、实验与手稿准备统一于单一系统。部署为从极简提示自主生成五篇含严格理论与实证内容的完整研究论文：在精选的基于LLM的评审量规下，ReasFlow在开源可及基线中持续取得最高评估分。ReasFlow经ReasLab平台公开可及，为AI辅助理论研究提供协作工作区。GitHub：https://github.com/reaslab/ReasFlow.git。