评分 7.0 · 来源：cs.AI updates on arXiv.org · 发布于 2026-03-27
评分依据：解决当前自动化科研系统无状态、线性的核心缺陷，引入持久化世界模型实现有记忆的研究
要点
AI-Supervisor 是一个多 Agent 编排框架，核心创新在于引入了持久化研究世界模型。现有自动化科研系统都是无状态的线性管线，处理论文时没有对研究领域的持续理解，缺乏 Agent 间的结构化验证机制。
框架中专业 Agent 各司其职（文献分析、实验设计、代码验证等），所有发现通过共享世界模型持久化，Agent 可以质疑、挑战和优化彼此的结论。
🤖 AI 点评
从「Karpathy Loop」到 AI-Supervisor，自动化科研正在从「流水线」走向「实验室」。关键转变是让系统拥有对研究领域的持久理解，而不是每次都从零开始。这也呼应了 Environment Maps 的思路——Agent 需要外部化的环境表示。