📖标题：AIM: Agentic Idea Management for Automated Research🌐来源：arXiv, 2609.38445v1🛎️文章简介🔸研究问题：在自动化科学研究中，如何有效管理不断涌现的科研创意、选择最有潜力的方向，并确保创意与代码实现的一致性，从而在有限预算下找到最优解？🔸主要贡献：提出了AIM（Agentic Idea Manager），一个完全自主的创意驱动型自动化研究框架，通过模拟贝叶斯优化机制管理创意池，在多项基准测试中超越现有最强基线，且速度更快。📝重点思路🔸区分两种搜索范式：将自动化研究分为“解决方案驱动”（直接优化代码）和“创意驱动”（先推理创意再委托实现）。本文聚焦于后者，解决创意管理、选择和完整性三大挑战。🔸代理 surrogate 模块：受贝叶斯优化启发，包含“组织”和“评估”两个操作。它将发现的创意聚类成语义簇，并根据实验证据对簇和具体创意的潜力进行排序，而非直接预测绝对分数。🔸代理获取模块：平衡探索与利用。根据评估结果，动态决定在每个并行分支中是深入挖掘高排名创意（利用）还是尝试未充分探索的方向（探索），并生成新创意扩充池子。🔸解决方案审计器：检查代码是否忠实实现了预定创意，防止因实现偏差导致错误归因。若发现不匹配，会重构创意以保持一致性，确保后续决策基于可靠证据。🔸资源规划器：动态分配实验预算。在固定总预算下，自适应调整每轮并行运行的分支数量，平衡广泛探索与深度细化的节奏。🔎分析总结🔸性能优越：在10个AutoLab任务中，AIM在系统优化任务上比最强基线高出1.6个百分点，在长周期模型开发与CUDA任务上高出4.9个百分点。🔸效率显著提升：AIM达到最强基线最佳性能的速度快了多达3.1倍，证明了其高效性。🔸组件有效性：消融实验显示，移除代理Surrogate模块导致性能下降最