负知识作为AutoResearch的失败感知共享记忆
TLDR
提出一种负知识记忆层，记录失败尝试，提升科学任务性能并减少令牌使用。
评分理由
Strengths: Novel concept of structured negative knowledge, demonstrated on multiple tasks with transfer learning. Weaknesses: Limited to two settings, may need broader validation.
Read-first 评分解释
综合优先阅读分 73.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 80。
研究版图角色
前沿论文桥接论文方法锚点复现锚点
排序敏感性
稳定性：volatile；排名波动范围：15。
关键词评分
深度分析
创新点
- 提出一种负知识记忆层，其中策展代理将失败尝试转换为共享库中的有界类型记录，下游研究代理在提出下一个实验前明确采纳或拒绝这些记录。
方法
策展代理将每次失败尝试转换为共享负知识库中的有界类型记录。下游研究代理随后在提出下一个实验前明确采纳或拒绝这些记录。该系统在相同任务重试（ScienceAgentBench）和跨任务科学研究（两个非线性数学物理PDE问题）上进行评估。
关键结果
负知识层在使用更少令牌的情况下优于普通AutoResearch基线，并且拥有负知识库的代理能够解决所有基线都无法解决的新的PDE任务。负知识库还能迁移到不同的PDE问题上增强AutoResearch。