Fork-and-Flush 方法破解 AI 自动研究的「想法盆地」陷阱

RobertTLange · x · 2026-10-27

Robert Lange 介绍一项把种群式训练思想引入 AI 自动研究（autoresearch）的新方法。

问题（idea descent）：把自动研究建模为在解空间中做「想法下降」，类似梯度下降会陷入局部最优——论文实验显示 8 个独立 agent 在同一研究任务上分别收敛进 5 个互不相同的「idea basin」，即使追加大量算力也无法跳出。
方法（fork-and-flush）：把 agent 分叉成 K 个分支，保留工作区文件但清空聊天历史；各分支跑一部分预算后保留最优分支继续。「单次运行」和「开局 best-of-N」是该谱系的两个极端。清空上下文迫使分支只从文件推断意图，从而可能跳入新盆地。
理论根源：本质是 basin hopping + population-based training 在 agent 上的应用——复制最优解再做扰动，扰动方式就是丢弃聊天记录。

「编程与Agent」频道最新