论文
LabBook：利用实验历史实现大语言模型驱动的高效发现
LabBook: Harnessing Experimental History for Efficient LLM-Driven Discovery
摘要
大语言模型驱动的发现的进化方法通常会从一小部分选定的祖先中生成新程序。这使得上下文易于管理，但可能会忽略其他实验中的有用证据，而包含完整的实验历史会产生冗长、冗余的上下文。我们引入了一个围绕 LabBook 构建的简单的单Agent发现工具，这是一种由Agent维护的内存，具有两个互补的作用：指导从完整的实验日志中检索相关证据并通知新解决方案的生成。在每次迭代中，同一Agent将其记忆与检索到的证据结合起来，共同生成下一个程序和更新的 LabBook。这将完整的历史保留与选择性上下文构建分开，而不需要显式的总体或分支搜索结构。在 49 个 Frontier-CS 问题上，LabBook 通过两个骨干网改进了所观察到的质量成本权衡，同时在另外 9 个数学、系统和启发式设计任务中保持竞争力。代码将在https://github.com/BoYuanVisionary/LabBook.发布