IDEAgent：面向科研想法生成的智能体质量-多样性搜索

过去几年，大语言模型（LLM）已显著推动了科学发现流程的自动化。然而，现有系统存在一个共同的核心局限：它们只针对质量或多样性中的单一目标独立生成和优化想法。这往往导致生成的想法彼此高度相近，或产生大量平庸、不严谨或定义不清的概念。在本工作中，我们转而主张科研构想生成应被视为两个目标的合取，并框定为质量-多样性（Quality-Diversity, QD）搜索。基于这一视角，我们提出 IDEAgent，一个通过谱系管理想法演化的多智能体框架。我们用多目标反馈驱动的专门修复与精炼来共同提升质量，同时通过轻量顺序记忆以及与已完成想法、其历史祖先和被否决提案的显式对比来实现多样性。为系统性评估这种 QD 合取，我们开发了 Yield，一个联合指标，计算满足预定质量阈值的最大相互多样性想法集合。最后，在横跨计算机科学 8 个领域的 32 个主题上的评估表明，IDEAgent 在 Yield 上超越最佳基线 3.89 倍，并在多达 8 倍数量的主题上取得非零 Yield。我们还通过对质量提升的分析进一步佐证这些发现，表明修复与精炼对构建逻辑严谨性与清晰度、同时保持非显而易见性至关重要。为鼓励基于 QD 搜索的构想生成的后续研究，我们在 https://github.com/declare-lab/IDEAgent 开源了 IDEAgent。