OR-Agent：连接进化搜索与结构化研究的自动化算法发现
TLDR
OR-Agent是一个结合进化搜索与结构化研究树的多智能体框架，用于自动化算法发现。
评分理由
The paper introduces a novel integration of evolutionary and systematic ideation with optimization-inspired reflection, validated on combinatorial optimization and cooperative driving simulations. However, it focuses narrowly on algorithm discovery and does not address literature review or paper writing.
Read-first 评分解释
综合优先阅读分 73.2，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 71。
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：30。
关键词评分
深度分析
创新点
- 基于结构化树的工作流，包含分支假设生成和系统回溯，用于受控的研究轨迹管理
- 进化-系统化构思机制，统一了起始点的进化选择、全面研究计划生成和研究树内的协调探索
- 受优化启发的分层反思系统，将短期反思作为语言梯度，长期反思作为语言动量，记忆压缩作为语义权重衰减
方法
OR-Agent是一个可配置的多智能体框架，将研究组织为具有分支和回溯的树形工作流。它结合了进化-系统化构思机制和受优化概念启发的分层反思系统。实验在经典组合优化基准和基于仿真的协作驾驶场景上进行，与强进化基线进行比较。
关键结果
OR-Agent在组合优化基准和协作驾驶场景上均优于强进化基线，展示了一个通用且可检查的AI辅助科学发现框架。