这一章是 第 21 章：探索与发现（Exploration and Discovery）。它讲的是：Agent 不只是完成用户已经明确给出的任务，还可以主动寻找新信息、提出新假设、发现新机会，甚至识别那些一开始根本不知道要找什么的东西，也就是文中说的 “未知的未知（unknown unknowns）”。

这一章比第 20 章更“开放”。第 20 章优先级排序解决的是：

1

已经有很多任务了，先做哪个？

第 21 章探索与发现解决的是：

1

任务、方向、假设、机会还不明确，Agent 能不能主动找出新的可能性？

1. 这一章的核心：从“执行任务”到“发现问题”

普通 Agent 更像：

1

用户给目标 → Agent 拆解 → Agent 执行

探索型 Agent 更像：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

用户给一个开放方向
  ↓
Agent 主动查资料
  ↓
提出假设
  ↓
评估假设
  ↓
改进假设
  ↓
设计实验或行动方案
  ↓
发现新知识 / 新机会

所以这一章的关键词不是“完成任务”，而是 主动探索（active exploration） 和 知识发现（knowledge discovery）。

文档开头说，探索与发现不同于反应式行为，也不同于在预定义解空间里的优化。它的核心是智能体主动进入陌生领域，尝试新方法，并生成新的知识或理解。

这句话很重要。

也就是说，这章不是在讲：

1

我已经知道目标，怎么找到最优解？

而是在讲：

1

我还不知道有哪些可能方向，怎么主动发现有价值的新方向？

2. 探索与发现和优先级排序有什么关系？

第 20 章讲 优先级排序（Prioritization），第 21 章讲 探索与发现（Exploration and Discovery）。

二者关系是：

1
2

探索与发现：产生新的候选方向、新假设、新任务
优先级排序：从这些候选方向里选出最值得继续投入的

比如科研 Agent 读了很多论文，提出了 20 个候选假设。

接下来就要排序：

哪个更有新颖性？ 哪个更可验证？ 哪个实验成本更低？ 哪个潜在影响更大？ 哪个风险更小？

所以探索和排序是配套的。

没有探索，Agent 只能在已有选项里优化。 没有排序，Agent 会被大量可能性淹没。

3. 什么场景需要探索与发现？

文档列了几个应用场景，我按理解重新解释。

3.1 科学研究自动化

这是本章最核心的场景。

科研不是简单执行任务，而是要提出新假设。

比如：

1
2
3

某种药物是否可以用于另一种疾病？
某个基因是否和某种疾病机制有关？
某种材料结构是否有新性质？

Agent 可以：

读文献； 找不同论文之间的潜在联系； 提出假设； 设计实验； 分析结果； 继续修正假设。

文档后面讲的 Google Co-Scientist 和 Agent Laboratory 都是围绕这个方向展开的。

3.2 游戏策略生成

比如 AlphaGo 这类系统，不只是重复人类已有棋谱，而是探索新的状态空间，发现人类没怎么下过的策略。

这里的探索是：

1
2
3
4
5

尝试新走法
模拟结果
评估收益
保留高价值策略
淘汰低价值策略

3.3 市场调研与趋势发现

市场分析 Agent 可以扫描：

社交媒体； 新闻； 行业报告； 用户评论； 竞品动态； 搜索趋势。

目标不是回答一个固定问题，而是发现：

新消费趋势； 用户痛点； 潜在市场机会； 竞品策略变化； 异常舆情信号。

这类任务的特点是：一开始未必知道要找什么。

3.4 安全漏洞发现

安全 Agent 可以主动检查代码库、系统配置、网络流量，寻找潜在漏洞。

这也是探索型任务，因为漏洞通常不是显式写在需求里的。

3.5 创意内容生成

创意领域也需要探索。

比如：

探索不同风格组合； 探索新的音乐结构； 探索新的故事设定； 探索视觉主题和叙事方式。

这里的“发现”不是科学事实，而是新的可能表达。

4. 这一章最重要的案例：Google Co-Scientist

本章重点讲了 Google Co-Scientist（Google AI 联合科学家）。

它是 Google Research 开发的科学协作 AI 系统，目标是辅助人类科学家进行：

假设生成； 方案完善； 实验设计； 科研推理。

文档说，它基于 Gemini LLM 构建，主要解决科研中的挑战：处理海量信息、生成可验证假设、管理实验规划。

你可以把它理解成：

一个多智能体科研团队，用 AI 模拟“提出假设—评审假设—排序假设—改进假设—设计验证”的科研过程。

它不是直接替科学家做最终实验，而是帮助科学家在早期研究阶段更快探索可能方向。

5. Google Co-Scientist 的多智能体架构

文档说 Google Co-Scientist 采用 多智能体框架（multi-agent framework）。里面有多个专职智能体，每个 Agent 负责不同研究角色。

核心角色有这些：

5.1 生成智能体

生成智能体（Generation Agent） 负责提出初步假设。

它会通过：

文献探索； 已有知识综合； 模拟科学辩论； 跨领域联想。

来产生候选研究假设。

比如：

1

某药物 A 可能通过机制 B 影响疾病 C。

这一步对应探索的起点。

5.2 反思智能体

反思智能体（Reflection Agent / Review Agent） 类似同行评审。

它不负责提出新假设，而是评估假设：

是否正确； 是否新颖； 是否有质量； 是否有逻辑漏洞； 是否可验证； 是否已有文献支持或反驳。

这和第 17 章的 自我纠错（Self-Correction）、第 19 章的 LLM-as-a-Judge 都有关。

5.3 排序智能体

排序智能体（Ranking Agent） 负责比较和排序假设。

文档说它采用 Elo 排名（Elo Ranking），通过模拟辩论比较、排序和优先假设。

Elo 原本常用于棋类或竞技评分。这里可以理解为：

1
2
3
4

让假设之间两两比较
赢的假设分数上升
输的假设分数下降
最终得到一个假设排行榜

这样系统就不会对所有假设平均用力，而是把更多资源投入高潜力方向。

5.4 进化智能体

进化智能体（Evolution Agent） 负责优化高排名假设。

它会做：

简化概念； 综合不同观点； 探索非常规推理； 改写假设； 增强可验证性。

这一步很像“假设进化”。

不是生成一次就结束，而是：

1

初始假设 → 评审 → 修改 → 再评审 → 再修改

5.5 邻近智能体

邻近智能体（Proximity Agent） 负责计算假设之间的相似性，构建邻近图，聚类相似观点，辅助探索假设空间。

它解决的问题是：

1
2
3
4

这些假设哪些其实很像？
哪些属于同一类思路？
哪些方向被重复探索了？
哪些区域还没被探索？

这可以减少重复，也可以发现空白区域。

5.6 元评审智能体

元评审智能体（Meta-Review Agent） 综合所有评审和辩论结果，识别共性反馈，推动系统持续改进。

它像一个总评审：

1
2
3

哪些假设整体更强？
评审意见有什么共性？
系统下一轮应该往哪里探索？

6. 第 2 页图 1 怎么理解？

第 2 页图 1 展示的是 Google Co-Scientist 从构思到验证的结构。图里有 scientist 输入研究目标，然后系统内部有 supervisor、generation、review、ranking、evolution、proximity、meta-review 等 Agent，右边还有 research ideas tournament，即研究想法锦标赛。

可以抽象成：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

人类科学家提出研究问题
  ↓
Supervisor Agent 协调
  ↓
Generation Agent 生成假设
  ↓
Review Agent 评审假设
  ↓
Ranking Agent 排名假设
  ↓
Evolution Agent 改进假设
  ↓
Meta-Review Agent 总结反馈
  ↓
高质量候选假设进入验证

这张图的重点是：

探索不是随机乱试，而是有生成、评审、排序、进化的结构化循环。

也就是说，这章讲的探索不是“随便探索”，而是 结构化探索（structured exploration）。

7. “生成—辩论—进化”流程是什么？

文档说，Google Co-Scientist 遵循 生成-辩论-进化（generate-debate-evolve） 的迭代流程，模拟科学方法。

可以理解为：

1
2
3

生成：提出多个候选假设
辩论：让不同智能体评估、比较、质疑
进化：保留高质量假设并继续优化

这和科学研究很像。

科学不是：

1

想到一个假设 → 直接相信

而是：

1
2
3
4
5
6
7
8
9

想到多个假设
  ↓
互相比较
  ↓
接受批评
  ↓
修改假设
  ↓
设计验证

所以 Co-Scientist 的关键在于把科研中的“同行评议”和“迭代改进”变成多 Agent 工作流。

8. 测试时计算扩展在这里有什么用？

文档提到 Google Co-Scientist 采用 测试时计算扩展（test-time compute scaling），动态分配更多计算资源以迭代优化输出。

这个概念你在第 17 章已经见过。

意思是：

模型不只是一次生成，而是在推理阶段花更多计算，生成更多候选、做更多评审、进行更多轮优化，从而提高结果质量。

在这里就是：

1
2
3
4

多生成一些假设
多比较几轮
多做几次进化
多跑几个评审智能体

代价是成本和时间增加，但结果可能更好。

这和第 16 章资源感知优化也有关：高价值科研任务值得花更多计算资源。

9. 文中提到的验证结果怎么理解？

文档列了不少 Google Co-Scientist 的验证结果，包括 GPQA、专家评审、生物医学实验等。这里你不用死记数字，但要理解意义。

文档提到，在 GPQA 基准测试中，系统内部 Elo 评分与结果准确率高度一致，“钻石集”难题 top-1 准确率达 78.4%；在 200 多个研究目标中，测试时计算扩展可持续提升假设质量；在生物医学专家评估中，输出被认为更具新颖性和影响力。

这些结果想说明：

1
2
3

系统内部的排序机制不是随便排的，它和真实质量有相关性。
多花推理计算确实能提升假设质量。
多智能体评审和进化可能帮助生成更有价值的科研想法。

但你也要注意：这类结果不能理解成“AI 已经完全替代科学家”。文档后面也强调它是增强人类研究，而不是完全自动化。

10. 三个端到端实验案例

文档提到三个生物医学方向的实验验证。

10.1 药物再利用

药物再利用（Drug Repurposing） 指把已有药物用于新的疾病。

比如系统针对急性髓性白血病 AML 提出了新药物候选 KIRA6，后续体外实验证实 KIRA6 及其他建议药物能抑制多种 AML 细胞系中的肿瘤细胞活性。

这里的重点不是药物细节，而是：

1

Agent 提出假设 → 实验验证 → 部分假设被证实

这是探索与发现最强的证明方式。

10.2 新靶点发现

系统发现了肝纤维化的新表观遗传靶点，并在人源肝类器官实验中验证了相关药物的抗纤维化活性。

这说明 Agent 不只是做文献摘要，而是在提出可能的新研究方向。

10.3 抗菌耐药性

系统被要求解释为什么某些移动遗传元件 cf-PICIs 广泛存在于多种细菌中。两天内系统提出了和噬菌体尾部相互作用、扩展宿主范围相关的解释，而这与独立研究团队多年后实验验证的发现一致。

这里想表达的是：

1

AI 系统可能通过大规模文献综合和假设搜索，提前发现人类研究中隐藏的规律。

11. Co-Scientist 的局限性

这一章没有一味吹系统，也讲了限制。

文档说，它强调增强人类研究，而非完全自动化。研究者可以通过自然语言与系统互动，反馈、贡献观点并引导 AI 探索，实现 科学家在环（Scientist-in-the-Loop）。同时，系统局限包括：只依赖开放文献，可能遗漏付费墙后的重要成果；对负面实验结果获取有限；底层 LLM 可能出现事实错误或幻觉。

这几个点很重要。

11.1 只看开放文献

很多关键知识可能在：

付费论文； 实验室内部数据； 未发表结果； 失败实验记录； 专利； 行业数据库。

如果 Agent 访问不到，就可能得出不完整结论。

11.2 缺少负面实验结果

科学里“失败结果”很重要。

比如某个方向已经被很多实验否定，但这些结果可能没发表。Agent 只看公开正面文献，会高估某些假设。

11.3 LLM 幻觉

底层 LLM 可能生成错误事实、错误引用、错误机制解释。

所以科研 Agent 必须有验证机制，不能只靠生成。

12. 安全性为什么重要？

文档专门提到安全：所有研究目标和生成假设都要安全审查，防止系统被用于不安全或不道德研究。初步安全评估中，系统能有效拒绝危险输入。

这和第 18 章护栏直接相关。

探索型 Agent 风险更大，因为它不仅回答已知问题，还会主动提出新方法。 如果用于生物、化学、网络安全等领域，可能产生双重用途风险。

所以探索与发现系统必须有：

输入审核； 研究目标审核； 输出假设审核； 专家在环； 权限限制； 实验边界； 安全策略。

13. Agent Laboratory 是什么？

本章第二个案例是 Agent Laboratory。

文档说，它是一个自主科研工作流框架，目标是增强而非取代人类科学研究。它利用专用 LLM 自动化科研各阶段，让研究者把更多精力放在构思和批判性分析上。

它更像一个“AI 科研流水线”。

主要阶段包括：

1
2
3
4

文献综述
实验阶段
报告撰写
知识共享

14. Agent Laboratory 的四个阶段

14.1 文献综述

文献综述（Literature Review） 阶段，Agent 自动收集和分析相关论文，比如利用 arXiv 等数据库，识别、综合、分类研究，为后续实验建立知识基础。

这对应科研中的“先看已有工作”。

14.2 实验阶段

实验阶段（Experimentation） 包括：

实验设计； 数据准备； 实验执行； 结果分析。

文档说，智能体可以调用 Python 代码生成与执行、Hugging Face 模型访问等工具，实现自动化实验，并根据实时结果迭代优化实验流程。

这和第 17 章的 PAL / 代码执行关系很强。

14.3 报告撰写

报告撰写（Report Writing） 阶段，系统把实验结果和文献综述结合，生成结构化研究报告，并集成 LaTeX 等工具实现专业排版和图表。

这相当于自动生成论文草稿。

14.4 知识共享

知识共享（Knowledge Sharing） 阶段通过 AgentRxiv 平台，支持自主研究智能体共享、访问和协作推进科学发现。

这部分比较前沿，可以理解为“Agent 之间共享研究成果的仓库”。

15. 三智能体评审机制

文档给了一个 ReviewersAgent 代码片段，里面有三个评审角色：

1
2
3

评审 1：关注实验是否带来研究洞见
评审 2：关注研究是否对领域有影响
评审 3：关注是否有前所未有的新观点

这三个评审分别调用 get_score，最后返回三份评审意见。

这体现了一个思想：

对开放式探索任务，单一评审视角不够，需要多个评价维度。

比如一篇研究报告可能：

实验扎实但不新颖； 新颖但不够严谨； 有影响力但表达不清； 清晰但贡献有限。

所以多评审可以更全面。

16. get_score 评分函数在做什么？

get_score 的示例里定义了评审输出格式，包括：

Summary； Strengths； Weaknesses； Originality； Quality； Clarity； Significance； Questions； Limitations； Ethical Concerns； Soundness； Presentation； Contribution； Overall； Confidence； Decision。

这些字段基本模拟学术会议评审。

这和第 19 章 LLM-as-a-Judge（LLM 作为评审者） 直接相关。

不过这里更复杂，因为评审对象是研究计划和论文报告，而不是普通问答。

核心思想是：

1

生成结果以后，不直接接受，而是让评审智能体按照结构化标准打分。

17. Agent Laboratory 的多智能体角色

文档后面列了几个角色。

17.1 教授智能体

教授智能体（Professor Agent） 是研究总负责人。

它负责：

制定研究议程； 定义问题； 分配任务； 整合知识、代码、报告和笔记； 生成 README 等总结材料。

它类似科研项目 PI。

17.2 博士后智能体

博士后智能体（Postdoc Agent） 负责具体研究执行。

包括：

文献综述； 实验设计； 实验实施； 结果解读； 论文撰写。

它是主要产出研究成果的角色。

17.3 评审智能体

评审智能体（Reviewer Agent） 负责检查研究成果质量、有效性和科学性，模拟同行评审。

17.4 机器学习工程智能体

机器学习工程智能体（Machine Learning Engineer Agent） 负责数据预处理、实验代码生成等工程任务。

17.5 软件工程智能体

软件工程智能体（Software Engineer Agent） 指导 ML 工程师写代码，保证代码简洁、贴合研究目标。

这里可以看出，Agent Laboratory 是在模拟一个小型科研团队：

1
2
3
4
5

Professor：定方向
Postdoc：做研究
ML Engineer：写实验代码
Software Engineer：指导工程实现
Reviewers：做同行评审

这就是多智能体协作在科研场景中的应用。

18. 第 8 页图 2 怎么理解？

第 8 页图 2 是 探索与发现设计模式（Exploration and Discovery Design Pattern）。图里大致是：

1
2
3
4
5

User → Prompt → Agent → 多个 HP
              ↓
        Agent: Critique
              ↓
            Output

其中 HP 可以理解为 hypothesis，也就是多个候选假设。

这张图表达的是：

1
2
3
4
5
6
7

用户提出开放问题
  ↓
Agent 生成多个假设 HP1, HP2, HP3...
  ↓
Critique Agent 批判和评估这些假设
  ↓
保留、改进、输出更好的结果

所以探索与发现的基本结构是：

1

生成候选 → 批判评估 → 选择/进化 → 输出

这和 Google Co-Scientist 的“生成—辩论—进化”是一致的。

19. 探索与发现和 ReAct 的区别

ReAct 主要是：

1

我有一个任务，边想边调用工具完成它。

探索与发现更像：

1

我有一个开放方向，主动寻找可能任务、假设和机会。

比如用户问：

1

请总结这篇文章。

这是普通任务，不需要探索发现。

用户问：

1

帮我找一个值得做的 Agent 项目方向，最好能体现简历价值。

这就需要探索发现，因为方向不固定，需要扫描可能性、比较机会、提出假设、排序。

20. 探索与发现和 RAG 的区别

普通 RAG 是：

1

用户问问题 → 检索相关文档 → 生成答案

探索型 RAG 是：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

开放问题
  ↓
生成多个检索方向
  ↓
检索不同来源
  ↓
发现信息空白
  ↓
提出新假设
  ↓
继续检索验证
  ↓
形成洞见

比如市场调研：

普通 RAG 回答：

1

这个行业有哪些主要公司？

探索型 Agent 会做：

1
2
3
4

哪些细分需求正在增长？
哪些用户抱怨频繁但还没被满足？
哪些竞品功能变化暗示新趋势？
哪些地区数据异常？

它不只是找答案，而是找“可能有价值的问题”。

21. 探索与发现的核心难点

这章看起来很宏大，但真正落地有几个难点。

21.1 搜索空间太大

开放问题没有明确边界，Agent 可能探索无限多方向。

所以需要优先级排序、预算控制和停止条件。

21.2 容易幻觉

探索型任务鼓励新想法，但新想法不等于事实。

所以必须区分：

1
2
3
4

事实
推测
假设
待验证结论

21.3 评估困难

已知问题可以用标准答案评估。 开放发现没有唯一标准答案。

所以要用：

专家评审； LLM-as-a-Judge； 实验验证； 长期效果指标； 多维度评分。

21.4 安全风险更高

探索型 Agent 可能发现或生成危险方法，比如漏洞利用、生物化学风险等。

所以要配合第 18 章护栏。

21.5 成本高

多轮生成、评审、排序、进化需要大量模型调用。

所以要配合第 16 章资源感知优化。

22. 这一章和前几章的关系

这一章几乎把前面的内容都用上了。

和第 16 章资源感知优化

探索任务很耗资源，所以要决定：

生成多少假设； 评审多少轮； 用什么模型； 什么时候停止； 哪些方向值得继续投入。

和第 17 章推理技术

探索需要：

CoT 分析； ToT 多路径探索； ReAct 调工具查资料； Self-Correction 修正假设； PAL 执行实验代码。

和第 18 章护栏

探索可能进入高风险领域，所以要有：

研究目标审核； 假设安全审查； 工具权限限制； 人类专家在环。

和第 19 章评估监控

探索结果要评估：

假设新颖性； 可验证性； 影响力； 事实支持； 实验结果； 长期价值。

和第 20 章优先级排序

探索会产生大量候选假设，需要排序：

哪个最重要； 哪个最可行； 哪个最有影响力； 哪个最值得验证。

23. 这一章在面试/项目里的实际价值

这章不一定是普通 Agent 面试最常规的基础题，但它适合用来解释高级 Agent 项目。

尤其是：

科研 Agent； 市场调研 Agent； 投资研究 Agent； 安全漏洞分析 Agent； 竞品分析 Agent； 内容创意 Agent； Deep Research Agent。

如果你做项目，可以把它转化成一个比较现实的项目描述：

构建一个探索型 Research Agent。系统会针对开放问题生成多个研究假设，调用搜索和文档检索工具收集证据，再通过 Critic Agent 按新颖性、可行性、证据强度和潜在影响进行评分，最后输出优先级排序后的研究方向。

这个就比普通 RAG 更有 Agent 味道。

24. 如果被问：探索与发现模式是什么？

可以这样回答：

探索与发现模式让 Agent 不只是响应用户请求，而是主动寻找新信息、新假设和新机会。它适合开放式、复杂或快速变化领域，尤其是解空间不明确的任务。典型做法是通过多智能体协作生成候选假设，再由评审、排序和进化智能体进行批判、排名和改进，最后输出更有价值、更可验证的发现。

25. 如果被问：它和普通优化有什么区别？

可以这样回答：

普通优化是在已经定义好的解空间里寻找更优解，而探索与发现是在解空间尚不明确时主动扩展候选空间。前者解决“已知选项里哪个最好”，后者解决“还有哪些我们没想到的可能性”。

这句话很关键。

26. 如果被问：如何设计一个探索型 Agent？

可以这样答：

我会设计一个多智能体工作流。首先由 Generator Agent 根据用户问题和已有资料生成多个候选假设；然后由 Search/Retrieval Agent 收集证据；再由 Critic Agent 从事实支持、新颖性、可行性、风险和潜在影响等维度评审；Ranking Agent 对候选假设排序；Evolution Agent 对高分假设进行改写和扩展；最后由 Writer Agent 输出优先级排序后的发现和验证建议。整个过程需要预算控制、停止条件、安全审查和人工专家反馈。

这个回答基本覆盖本章核心。

27. 最后总结

第 21 章的核心是：

Agent 不只是执行明确任务，还可以主动探索未知领域，生成假设、评估假设、改进假设，并辅助人类发现新知识。

最重要的流程是：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

开放问题
  ↓
生成多个候选假设
  ↓
搜索证据
  ↓
批判评审
  ↓
排序筛选
  ↓
进化改进
  ↓
实验或进一步验证
  ↓
输出发现

最重要的关键词是：

探索与发现（Exploration and Discovery） 未知的未知（Unknown Unknowns） 主动探索（Active Exploration） 假设生成（Hypothesis Generation） 假设评审（Hypothesis Review） 假设排序（Hypothesis Ranking） 假设进化（Hypothesis Evolution） Google Co-Scientist（Google AI 联合科学家） 测试时计算扩展（Test-Time Compute Scaling） 科学家在环（Scientist-in-the-Loop） Agent Laboratory 多智能体科研工作流（Multi-Agent Scientific Workflow）

这一章真正的价值是：它把 Agent 从“自动执行器”提升到“知识探索伙伴”。但是它也更依赖评估、护栏、预算控制和人类专家反馈，否则很容易变成高成本、高幻觉、高风险的系统。

推荐阅读

上一篇：

优先级排序