核心发现
方法论
该方法将科研创意视为一个多目标的质量-多样性（QD）搜索问题，采用多智能体架构管理创意的演化。核心组件包括生成器（Ideator）、评估器（Evaluator）和存储库（Archive），通过结构化摘要进行快速比较。利用多目标反馈实现创意的修复与优化，借助轻量级序列记忆和显式比较确保多样性。提出Yield指标，衡量满足质量阈值的最大互异创意集。实验在32个科研主题、8个计算机科学领域中验证，结果显示IDEAgent在Yield上超越基线3.89倍，覆盖主题数提升8倍，且通过修复与细化显著提升逻辑严密性和创新性。
关键结果
- 在多领域、多主题的评估中，IDEAgent平均Yield高出最优基线3.89倍，非零Yield主题数增加8倍，显示其在生成高质量、多样化科研创意方面具有明显优势。
- 通过对比分析，修复与细化机制在提升创意逻辑严密性、清晰度和非显著性方面起到关键作用，有效避免了重复和低质概念的产生。
- 在不同指标（非显著性、合理性、清晰度）上的改进均得到内部和外部评审的一致认可，验证了系统的有效性和鲁棒性。
研究意义
该研究突破了现有LLMs在科研创意生成中的局限，将科研创新过程形式化为质量-多样性搜索，极大丰富了研究思路的多样性和深度。通过多智能体协作与结构化评估，有望推动自动化科研的实际应用，解决传统方法中创新不足和重复的问题，为未来AI辅助科研提供理论基础和技术路径。此框架不仅提升了科研效率，也促进了学术界对AI生成科研思想的理解与信任。
技术贡献
创新点在于将科研创意生成系统化为多目标的质量-多样性搜索，设计了多智能体协作机制管理创意演化，提出结构化摘要与多维评估结合的快速比较方法。引入Yield指标，系统性衡量创意的互异性与质量，突破了传统单一指标的局限。系统架构支持多轮修复与细化，确保生成的创意具有逻辑严密性和创新性，为AI在科研中的应用提供了新思路。该方法在多领域、多主题的实验中表现出优越性能，验证了其理论与工程价值。
新颖性
首次将科研创意生成明确建模为质量-多样性搜索问题，结合多智能体架构和结构化摘要，实现多目标优化。相较于现有的单目标或静态方法，提出动态修复与多轮演化机制，有效提升创意的多样性和质量，解决了LLMs在科研创新中趋向同质化的问题。这一创新为自动化科研提供了新的技术路径，填补了多目标搜索在科研创意生成中的应用空白。
局限性
- 该方法依赖于背景文献的质量和多样性，若背景资料有限或偏颇，可能影响生成结果的多样性和创新性。
- 多智能体系统的计算成本较高，尤其在大规模多轮修复与评估中，存在效率瓶颈。
- 目前主要在计算机科学领域验证，跨领域适应性和实际科研环境中的应用效果仍需进一步验证。
未来方向
未来将探索多模态背景资料整合，提升跨学科创新能力，同时优化算法效率，降低计算成本。还计划引入更复杂的评估指标和人类专家反馈，增强生成创意的实用性和可解释性。此外，将推动系统的自主学习能力，适应不同科研阶段和需求，逐步实现全自动化科研创新流程。
AI 总览摘要
在科学研究中，创新思路的多样性与质量是推动突破的核心。传统的AI辅助科研多依赖单一指标或静态模型，难以兼顾创新性与严谨性。本文提出的IDEAgent框架，基于质量-多样性（QD）搜索理念，利用多智能体系统管理科研创意的演化过程。系统通过生成、评估、修复和细化多个环节，确保每个创意在逻辑严密、创新性强的同时，彼此保持高度差异，从而极大丰富研究方向。核心创新在于引入结构化摘要和多维评估机制，结合多轮修复策略，有效避免了重复与低质概念的产生。实验在32个科研主题中验证，结果显示IDEAgent在Yield指标上超越基线3.89倍，覆盖主题数提升8倍，表现出优越的多样性和质量控制能力。这一方法不仅推动了自动化科研的边界，也为未来AI在科研创新中的应用提供了理论基础和技术路径。尽管仍面临背景资料依赖和计算成本等挑战，未来的研究将聚焦于跨学科扩展和系统效率优化，期待实现更智能、更高效的科研辅助工具。
深度解读
原文摘要
Large Language Models (LLMs) have significantly automated the process of scientific discovery over the past few years. However, existing systems share one core limitation: they generate and optimize ideas independently for either Quality or Diversity. This often leads to the generation of ideas in close proximity to one another or to a large set of trivial, unsound, or unclear concepts. In this work, we instead argue that research ideation should be treated as a conjunction of both objectives and framed as a Quality-Diversity (QD) search. In line with this perspective, we introduce IDEAgent, a multi-agent framework that manages the evolution of ideas through lineages. We jointly drive Quality using multi-objective feedback for dedicated repair and refinement, while Diversity is achieved through lightweight sequential memory and explicit comparison against completed ideas, their historical ancestors, and rejected proposals. To systematically evaluate this QD conjunction, we develop Yield, a joint metric that computes the largest set of mutually diverse ideas that satisfy a predetermined quality threshold. Finally, through evaluations across 32 topics spanning 8 domains of Computer Science, we show that IDEAgent outperforms the best baseline by 3.89x on Yield, while achieving non-zero Yield on 8x more topics. We further corroborate these findings through an analysis of quality improvements, showing that repair and refinement are crucial for building logical rigor and clarity while preserving non-obviousness. To encourage future research on QD-search-based ideation, we open-source IDEAgent at https://github.com/declare-lab/IDEAgent.