論文の概要: Build Your Personalized Research Group: A Multiagent Framework for Continual and Interactive Science Automation

• arxiv url: http://arxiv.org/abs/2510.15624v1
• Date: Fri, 17 Oct 2025 13:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.630262
• Title: Build Your Personalized Research Group: A Multiagent Framework for Continual and Interactive Science Automation
• Title（参考訳）: パーソナライズドリサーチグループの構築: 継続的かつインタラクティブな科学自動化のためのマルチエージェントフレームワーク
• Authors: Ed Li, Junyu Ren, Xintian Pan, Cat Yan, Chuanhao Li, Dirk Bergemann, Zhuoran Yang,
• Abstract要約: 我々は,リアルタイムエージェント推論によって動的に決定されるテキストを特徴とするオープンソースのマルチエージェントフレームワークであるtexttfreephdlaborを提案する。 このフレームワークは、テキスト自動コンテキストのコンパクト化、情報劣化を防ぐためのテキストワークスペースベースのコミュニケーション、セッション間のテキストメモリ持続性、およびテキストノンブロッキング人間の介入メカニズムを含む包括的なインフラを提供する。
• 参考スコア（独自算出の注目度）: 41.659285482346235
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The automation of scientific discovery represents a critical milestone in Artificial Intelligence (AI) research. However, existing agentic systems for science suffer from two fundamental limitations: rigid, pre-programmed workflows that cannot adapt to intermediate findings, and inadequate context management that hinders long-horizon research. We present \texttt{freephdlabor}, an open-source multiagent framework featuring \textit{fully dynamic workflows} determined by real-time agent reasoning and a \coloremph{\textit{modular architecture}} enabling seamless customization -- users can modify, add, or remove agents to address domain-specific requirements. The framework provides comprehensive infrastructure including \textit{automatic context compaction}, \textit{workspace-based communication} to prevent information degradation, \textit{memory persistence} across sessions, and \textit{non-blocking human intervention} mechanisms. These features collectively transform automated research from isolated, single-run attempts into \textit{continual research programs} that build systematically on prior explorations and incorporate human feedback. By providing both the architectural principles and practical implementation for building customizable co-scientist systems, this work aims to facilitate broader adoption of automated research across scientific domains, enabling practitioners to deploy interactive multiagent systems that autonomously conduct end-to-end research -- from ideation through experimentation to publication-ready manuscripts.
• Abstract（参考訳）: 科学発見の自動化は、人工知能(AI)研究における重要なマイルストーンである。 しかし、科学のための既存のエージェントシステムは、中間的な発見に適応できない厳格でプログラムされたワークフローと、長期研究を妨げるコンテキスト管理の2つの基本的な制限に悩まされている。 これは、リアルタイムエージェント推論によって決定される \textit{fully dynamic workflows} と、シームレスなカスタマイズを可能にする \coloremph{\textit{modular architecture}} を備えたオープンソースのマルチエージェントフレームワークです。 このフレームワークは、情報劣化を防止するために \textit{automatic context compaction} 、 \textit{workspace-based communication} 、セッション間での \textit{Memory persistence} 、および \textit{non-blocking human intervention} メカニズムを含む包括的なインフラを提供する。 これらの特徴は、分離された単一実行試験から、事前の探索に基づいて体系的に構築され、人間のフィードバックを取り入れた‘textit{continual research program’へと、自動研究をまとめて変換する。 この研究は、カスタマイズ可能な共同科学者システムを構築するためのアーキテクチャ原則と実践的実装の両方を提供することによって、科学的領域にまたがる自動研究の広範な採用を促進することを目的としており、実践者がアイデアから実験から出版可能な原稿まで、エンドツーエンドの研究を自律的に行うインタラクティブなマルチエージェントシステムをデプロイできるようにする。

関連論文リスト

• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• TinyScientist: An Interactive, Extensible, and Controllable Framework for Building Research Agents [28.125147449800696]
  TinyScientistは、自動研究ワークフローの本質的なコンポーネントを特定し、新しいツールに容易に適応し、反復的な成長をサポートするインタラクティブで制御可能なフレームワークを提案する。 オープンソースでインタラクティブなWebデモとPyPI Pythonパッケージを提供し、最先端の自動検索パイプラインを研究者や開発者全員に広くアクセスできるようにする。
  論文  参考訳（メタデータ） (2025-10-08T02:18:57Z)
• Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
  大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。 その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。 本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
  論文  参考訳（メタデータ） (2025-08-28T13:00:28Z)
• State and Memory is All You Need for Robust and Reliable AI Agents [29.259008600842517]
  大規模言語モデル(LLM)は、自然言語の理解と生成において強力な進歩を実現している。 しかし、複雑な現実世界の科学への応用は、記憶、計画、ツール統合の課題によって制限されている。 本稿では、LLMベースのエージェントが自律的に計画し、推論し、堅牢で信頼性の高いドメイン固有タスク実行を実現することができるモジュール型エージェントフレームワークであるSciBORGを紹介する。
  論文  参考訳（メタデータ） (2025-06-30T02:02:35Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• A Vision for Auto Research with LLM Agents [46.95148319863236]
  本稿では,科学研究の全ライフサイクルの自動化,コーディネート,最適化を目的とした構造化マルチエージェントフレームワークであるエージェントベースオートリサーチを紹介する。 このシステムは、文献レビュー、アイデア、方法論、実験、論文執筆、査読応答、普及など、すべての主要な研究段階にまたがる。
  論文  参考訳（メタデータ） (2025-04-26T02:06:10Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。