压缩验证瓶颈：用于科学发现的代理式自动驾驶实验室

代理式人工智能虽能自动化构思、规划与分析，但最终验证仍依赖真实实验。自动驾驶实验室（SDL）可执行实验，但存在效率瓶颈：Agent 可能在低价值实验上耗费过多轮次，或单次实验成本过高。本文提出一种单一 Agent 架构以解决这两大物理瓶颈：首先，利用先验感知的设计实验（DOE）循环，结合领域知识与历史结果提出高信息量实验，减少达标所需轮次；其次，构建成本感知的代理模型，基于预测不确定性在高低成本测量间动态选择。该方法旨在通过减少循环次数和单次成本加速 SDL 流程。