《Agentic Design Patterns》第 21 章导读：探索与发现

本文是对开源书籍《Agentic Design Patterns》第 21 章的解读与导读，内容忠实呈现原文，并附个人思考。

原书在线阅读：https://adp.xindoo.xyz/ ｜翻译项目代码仓库：https://github.com/xindoo/agentic-design-patterns

恭喜你读到了正文的最后一章！

前面 20 章，我们聊的都是"怎么把已知的事情做好"------规划、推理、协作、工具使用、记忆、学习......但如果面对的是完全陌生的领域呢？如果问题本身没有标准答案呢？如果需要的是创新和发现呢？

第 21 章讲的 探索和发现（Exploration and Discovery） ，就是智能体的"主动探索"能力：主动寻求新信息、发现新可能性、识别操作环境中的未知因素。

这不是被动地在预定义解决方案空间内优化，而是主动进入陌生领域、尝试新方法、生成新知识。对于开放式、复杂、快速演变的领域，这至关重要。

一、探索与发现的六大应用场景

AI 智能体拥有智能探索的能力，能在各个领域大显身手。书中列举了 6 个典型方向：

领域	说明
科学研究自动化	智能体设计和运行实验、分析结果、制定新假设，发现新材料、候选药物或科学原理
游戏玩法和策略生成	探索游戏状态，发现新兴策略或识别漏洞（比如 AlphaGo）
市场研究和趋势发现	扫描非结构化数据（社交媒体、新闻、报告）识别趋势、消费者行为、市场机会
安全漏洞发现	探测系统或代码库，寻找安全漏洞或攻击向量
创意内容生成	探索风格、主题或数据的组合，生成艺术、音乐或文学作品
个性化教育和培训	AI 导师根据学生进度、学习风格和薄弱环节，优先排序学习路径和内容

这些场景的共同点是：答案不是现成的，需要主动去"找"甚至去"创造"。

二、重磅案例：Google 协同科学家（AI Co-Scientist）

书中用大量篇幅介绍了 Google Research 开发的 AI 协同科学家（AI Co-Scientist）------这是一个基于 Gemini 大语言模型的 AI 系统，被设计为"计算科学合作者"，在假设生成、提案改进、实验设计等研究方面协助人类科学家。

系统架构：六大智能体协同

整个系统基于多智能体框架，模拟科学协作和迭代过程。核心有六个专门的智能体：

智能体	角色
生成智能体	通过文献探索和模拟科学辩论，生成初始假设，启动流程
反思智能体	作为同行评审员，批判性评估假设的正确性、新颖性和质量
排名智能体	采用基于 Elo 的锦标赛机制，通过模拟科学辩论来比较、排名和优先处理假设
进化智能体	通过简化概念、综合想法、探索非常规推理，不断完善排名靠前的假设
邻近度智能体	计算邻近度图，聚类相似想法，协助探索假设格局
元审查智能体	综合所有审查和辩论的见解，识别共同模式并提供反馈，持续改进

整个流程遵循"生成 → 辩论 → 进化"的迭代方法------输入科学问题后，系统进入假设生成、评估、改进的自我改进循环。

验证结果：表现惊艳

AI 协同科学家的性能在多项验证研究中得到了证明：

基准测试表现：

在 GPQA 基准的"钻石集"（最难的题目）上，实现了 78.4% 的 top-1 准确率
对 200 多个研究目标的分析表明，增加测试时计算可持续提高假设质量
在 15 个挑战性问题集上，表现优于其他最先进的 AI 模型和人类专家的"最佳猜测"

端到端实验验证：

药物再利用（急性髓系白血病 AML）：系统提出了新的候选药物，其中 KIRA6 是全新的发现------之前没有在 AML 中使用的临床前证据。随后的体外实验证实，KIRA6 和其他推荐药物在多个 AML 细胞系中以临床相关浓度抑制肿瘤细胞活力。
新靶点发现（肝纤维化）：系统识别了肝纤维化的新表观遗传靶点。使用人类肝脏类器官的实验验证了这些发现------针对建议的表观遗传修饰剂的药物具有显著的抗纤维化活性。其中一种药物已被 FDA 批准用于另一种疾病，为药物再利用提供了机会。
抗微生物耐药性：AI 协同科学家独立重现了未发表的实验发现。它被要求解释"为什么某些移动遗传元件（cf-PICIs）在许多细菌种中被发现"。两天内，系统排名最高的假设是"cf-PICIs 与不同的噬菌体尾部相互作用以扩展其宿主范围"------这与一个独立研究小组经过十余年研究才得出的、经实验验证的新发现完全吻合。

设计理念：增强而非替代

值得强调的是，AI 协同科学家的设计理念是增强人类研究，而不是完全自动化。研究人员通过自然语言与系统交互，提供反馈、贡献自己的想法，在"科学家在环"的协作范式中指导 AI 的探索过程。

当然，它也有局限性：

知识依赖开放获取文献，可能遗漏付费墙后的关键工作
对负面实验结果访问有限（负面结果很少发表）
继承了底层 LLM 的局限性，包括事实不准确或"幻觉"

安全性：多层保障

安全性是关键考虑因素，系统包含多个保障措施：

所有研究目标在输入时进行安全审查
生成的假设也会被检查，防止用于不安全或不道德的研究
用 1,200 个对抗性研究目标进行的初步安全评估发现，系统可以稳健地拒绝危险输入

三、实践案例：Agent Laboratory

除了 Google 的协同科学家，书中还介绍了另一个项目：Agent Laboratory------Samuel Schmidgall 开发的自主研究工作流框架。

它的定位是"增强而不是取代人类科学努力"------利用专门的 LLM 自动化科学研究过程的各个阶段，让人类研究人员把更多认知资源用在概念化和批判性分析上。

四大研究阶段

Agent Laboratory 通过四个阶段指导研究过程：

文献综述：专门的 LLM 驱动智能体自主收集和批判性分析相关学术文献，利用 arXiv 等外部数据库识别、综合和分类相关研究
实验：协作制定实验设计、数据准备、实验执行和结果分析。智能体利用 Python（代码生成和执行）、Hugging Face（模型访问）等工具进行自动化实验
报告撰写：自动生成全面的研究报告，将实验发现与文献综述见解相结合，用 LaTeX 进行专业格式化和图形生成
知识共享：通过 AgentRxiv 平台（自主研究智能体的去中心化存储库）共享研究成果，让智能体在先前发现的基础上构建

多智能体角色分工

系统中有多个专门的智能体，模拟学术研究的组织结构：

智能体	角色
教授智能体	研究主管，建立研究议程、定义问题、委托任务，设定战略方向
博士后智能体	执行研究------文献综述、设计和实施实验、生成研究输出，能编写和执行代码
审稿人智能体	批判性评估研究输出，模拟同行评审，确保高标准
机器学习工程智能体	与博士生协作开发代码，生成数据预处理代码
软件工程智能体	指导机器学习工程智能体，确保代码简单明了且与研究目标相关

三方审稿机制

为了模拟人类评估过程，系统采用了三方智能体判断机制------三个不同的审稿人智能体，每个从特定角度评估产出：

python 复制代码

class ReviewersAgent:
    def inference(self, plan, report):
        reviewer_1 = "你是一个严格但公平的审稿人，期望良好实验能为研究主题带来见解。"
        review_1 = get_score(plan, report, reviewer_type=reviewer_1, ...)
        
        reviewer_2 = "你是一个严格、挑剔但公平的审稿人，正在寻找有影响力的想法。"
        review_2 = get_score(plan, report, reviewer_type=reviewer_2, ...)
        
        reviewer_3 = "你是一个严格但公平、思想开放的审稿人，正在寻找新颖的想法。"
        review_3 = get_score(plan, report, reviewer_type=reviewer_3, ...)
        
        return f"审稿人 #1:\n{review_1}\n审稿人 #2:\n{review_2}\n审稿人 #3:\n{review_3}"

每个审稿人从不同维度打分：原创性、质量、清晰度、意义、稳健性、呈现、贡献......最终给出 Accept/Reject 的决定。

这种设计非常有意思------它本质上是把学术研究的整个社会学结构（教授、博士后、审稿人、工程师）用多智能体系统复刻了出来。

四、速览：探索与发现设计模式

维度	说明
问题背景	AI 智能体通常在预定义知识范围内运行，限制了处理新情况或开放式问题的能力。根本挑战是让智能体超越简单优化，主动寻求新信息并识别"未知的未知"
解决方案	构建专门用于自主探索和发现的智能体系统，通常利用多智能体框架模拟科学方法------生成假设、批判性审查、发展最有前途的概念
实践建议	在开放式、复杂或快速演变的领域中使用，静态知识或预编程解决方案不够的场景

五、关键要点总结

从被动到主动：探索和发现让智能体从被动的"工具"变成主动的"探索者"，能够进入陌生领域、尝试新方法
多智能体协作是关键：复杂的探索任务需要不同角色的智能体协同------生成、审查、排名、进化，各有分工
科学方法的 AI 化：生成→辩论→进化的迭代循环，本质上是把科学方法（假设→实验→验证→改进）用 AI 系统实现
增强而非替代：最成功的探索系统不是取代人类科学家，而是作为"协作者"增强人类智力------人类负责方向和判断，AI 负责大量的文献阅读、实验设计、数据分析
安全性不可忽视：探索能力越强，潜在风险越大------生物研究、化学合成、安全漏洞发现等领域必须有严格的安全护栏
实际成果令人振奋：从药物发现到新靶点识别，AI 协同科学家已经在真实科研中产出了经过实验验证的成果，不是纸上谈兵

我的思考

读到这一章，我最大的感受是：AI 智能体的演进方向，正在从"回答问题的工具"变成"探索未知的伙伴"。

前面 20 章讲的各种模式------规划、推理、协作、工具使用、记忆、学习------本质上都是在解决"已知问题"：目标明确，只是路径不确定。但探索和发现不一样------目标可能是模糊的，路径完全未知，甚至有没有答案都不知道。

这才是真正的"智能"的体现。

Google 协同科学家的案例让我印象特别深。它不仅是技术上的突破，更重要的是它改变了科学研究的范式。以前一个研究团队可能要花几个月甚至几年才能走完的"文献综述→提出假设→设计实验→验证→改进"循环，AI 可能几天甚至几小时就能跑一轮。

当然，它不是完美的------负面结果缺失、付费墙限制、幻觉问题......这些都是真实存在的局限。但方向是对的。

另外，Agent Laboratory 的多智能体学术结构也很有启发性。它把"教授→博士后→博士生→工程师→审稿人"这个学术生态，用智能体角色的方式复刻了出来。这让我想到：未来的 AI 系统，可能不只是单个"超级智能"，而是由不同角色、不同专长的智能体组成的"AI 社会"。

正文 21 章到这里就全部结束了。从提示词链、路由、并行化，到反思、工具使用、规划，再到多智能体协作、记忆管理、学习适应、MCP，再到目标监控、异常处理、人类在环、RAG、A2A、资源优化、推理、护栏、评估、优先级、探索发现------我们系统地梳理了智能体设计的 21 种核心模式。