摘要
科学进步依赖于探索、实验与抽象的循环。本文提出 Arbor 框架，使 AI 智能体能自主运行该长周期循环。Arbor 结合长期协调器、短期执行器及假设树优化（HTR）机制，构建持久树以连接假设、产物、证据与洞察。协调器管理全局策略，执行器在隔离环境中测试假设。系统随结果更新树结构，传播可复用经验并 refine 搜索前沿，将自主科研从局部尝试转化为累积过程。在六个真实科研任务中，Arbor 均取得最佳留测结果，显著优于 Codex 和 Claude Code。
AI 推荐理由
论文核心在于智能体通过假设树 refinement 实现自主科研迭代与自我改进，属自我进化范畴。
研究机构
Gaoling School of Artificial Intelligence, Renmin University of China
论文信息