AutoKD：自主知识发现

数据丰富领域的科学发现目前受到人类带宽的限制：现实世界数据的数量和复杂性的增长远远超过了研究人员读取、推理和综合的速度。最近基于大语言模型的多智能体系统已经开始自动化研究周期的一部分，但它们的目标是在验证本身无法自动化的环境中生成假设，并且每次运行都是一次性的，没有积累或引导后续查询的机制。本文介绍了 AutoKD，这是一种用于自主知识发现的多智能体框架，它既是计算性的又是累积性的，允许经过验证的发现持续存在并为后续查询提供信息。六个协调的 LLM 智能体在开放式发现循环中进行协作，其中接受的发现存储在持久洞察图中，该图既充当长期记忆又充当探索引导机制。我们从两个角度评估三个不同数据集上的 AutoKD：针对已发表的研究结果的开放式质量，以及通过文献衍生查询的条件质量。从两个评估角度来看，AutoKD 涵盖了已知的发现，并提出了补充人类驱动研究的实质性发现。我们的代码可在此 https URL 获取。