探索与发现
让智能体主动探索未知领域，发现"未知之未知"
🎯 核心概念
什么是探索与发现？
定义
探索与发现模式使智能体能够主动寻找新信息、发现新可能性，并识别运行环境中的"未知之未知"，而非仅在预定义解决方案空间内优化。
与其他模式的区别
| 反应式/优化 | 探索与发现 |
|---|---|
| 预定义解决方案空间 | 主动进入陌生领域 |
| 利用已有证据 | 提出待验证假设并收集新证据 |
| 被动遵循指令 | 主动探索环境 |
| 优化已知过程 | 发现"未知之未知" |
📋 六大应用场景
| 场景 | 说明 |
|---|---|
| 科学研究自动化 | 设计实验、分析结果、提出新假设 |
| 游戏和策略生成 | 探索游戏状态、发现涌现策略 |
| 市场研究 | 扫描非结构化数据识别趋势 |
| 安全漏洞发现 | 探测系统发现安全漏洞 |
| 创意内容生成 | 探索风格组合生成艺术作品 |
| 个性化教育 | 根据学生进度优化学习路径 |
🔬 案例：Google Co-Scientist
Google 的案例用于说明假设生成、讨论和排序的研究工作流。系统产生的候选假设需要与文献及实验结果核对；不能把自评排名当作科学结论。原始研究介绍
多智能体架构
| 智能体 | 功能 |
|---|---|
| 生成智能体 | 通过文献探索生成初始假设 |
| 反思智能体 | 检查合理性、新颖性与已有证据；不替代实验验证 |
| 排名智能体 | Elo评级竞赛模式排序假设 |
| 演化智能体 | 简化概念、优化假设 |
| 邻近智能体 | 聚类相似想法，探索假设空间 |
| 元评审智能体 | 综合见解，识别模式并反馈 |
一个可控的探索循环
以“查明检索效果下降原因”为例，先固定数据和评价集，再提出分块、召回过滤、重排三个候选解释。每轮只改变一个关键条件，记录假设、实验设置、结果和反证。Agent 可以提出下一步实验，结论由可重复的观测支持。
探索预算应包括最大候选数、工具调用数、允许访问的数据范围和终止时间。连续若干轮没有新证据、候选高度重复或评估分数没有改善时，返回已有发现与不确定项。它无需无限自我扩展目标。
验收分开看三个数：新增且去重的候选数、被独立证据支持的候选比例、单位验证成本。只统计想法数量会鼓励改写已有想法；只看模型给分会鼓励迎合评审提示。与反思模式相比，探索主要扩大候选空间，反思主要修订已有候选，两者都需要外部证据。
💡 核心要点
使用场景
- 开放式、复杂或快速演变的领域
- 解决方案空间未完全定义
- 需要生成新假设、策略或见解
- 发现**"未知之未知"**
关键特征
| 特征 | 说明 |
|---|---|
| 主动探索 | 不是被动遵循指令 |
| 独立设定子目标 | 自主发现新信息 |
| 多智能体协作 | 每个智能体有特定主动角色 |
| 涌现行为编排 | 追求长期开放式目标 |
一句话总结
探索模式适合路径未知但目标可约束的任务。生成更多假设不等于发现更多事实，价值取决于后续验证。
🔗 相关阅读
参考文献：