数据丰富的领域里，科学发现的速度正被人的带宽卡住——真实数据涨得比研究者读、想、综合的速度快得多。早先的 LLM 多智能体系统，能把研究循环的一部分自动化，但它们大多停在「给定假设、验证一次」的单向流程，跑完就散，发现既不积累、也不反哺下一步。9 月 6 日提交的预印本 AutoKD 想补上这个缺口：让发现变成可累积、可指路的过程。
六个 Agent，跑一个不关门的循环
AutoKD 由六个协同的 LLM 智能体组成，在一个开放发现循环里工作：提出假设、设计实验、执行、评审、再提出。和普通「一次性跑完」不同，它通过一张持久洞察图把验证过的发现存下来——这张图既是系统的长期记忆，也是探索的转向机制：下一步该往哪挖，由已沉淀的洞察来引导，而不是每次从零乱撞。换句话说，它把「这次发现了什么」变成「下一次从哪下手」的输入。
论文在三个不同数据集上从两个角度评估：开放端质量（对照已发表发现）与条件质量（按文献派生的问题查询）。结论是 AutoKD 既覆盖了已知发现，也涌现出补充人类研究的实质新发现。这让它能和纯辅助工具区分开——它不是帮人查文献，而是在无人干预下持续推进知识前沿。
它解决的是「发现不累积」这个真问题
这类框架对数据稠密、假设空间大的领域最直接有用：材料、生物、社科计量这类，人工只读得完一小部分。把验证过的发现固化成图、再让图引导探索，相当于给研究团队配了一支「不知疲倦、且记得自己挖过哪」的侦察队。它和 ScientistTwo 一类自主科研智能体是同一股潮流——把多智能体从「写代码助手」推向「做研究主体」。
增量认知：科研智能体的瓶颈，正从「单次能不能得出结果」转向「发现能不能累积、能不能自我引导」。持久洞察图这类记忆结构，是把一次性探索变成持续知识生产的那块拼图。
优势与局限，分开看
优势真实：它让多智能体发现具备「滚雪球」属性，已验证成果不浪费，且能反向聚焦探索方向，对人力触不到的数据海洋很对症。局限也要说清：评估仍由系统自身报告，新发现的「实质贡献」需要外部领域专家独立复核，不能只看它自称覆盖了已知项；六个 Agent 的协作成本与上下文膨胀，也会随循环变长而上升；洞察图的准确率直接决定后续探索质量，一旦早期入库了错发现，可能把方向带偏。更公允的判断是——AutoKD 把「可累积发现」这件事工程化地立了起来，但是否真能产出经得住同行评议的新知识，要看外部复现而非自报指标。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。