[LG]《Agentic Bayesian Optimization through Surrogate-Augmented Autoresearch》P Brunzema, L Tiao, N Le, K D Angeli, Y Xuan… [Meta] (2026)

在昂贵黑盒优化领域，如何融合专家先验与系统性搜索是一个悬而未决的难题。过去的方法受困于“固定策略”的僵化或“纯大模型优化”的不可靠，本质原因是传统贝叶斯优化（BO）难以吸收非结构化的自然语言知识，而大模型则缺乏精确的概率代理模型来引导不确定性感知下的高效探索。

本文的核心洞见是：把大模型重新看作优化循环中的“中央决策代理”，而非单一的组件或替代品。由此，引入“代理贝叶斯优化”（Agentic BO）范式：由 LLM 代理（Sara）负责理解背景、定义问题并动态调整策略（如缩减边界、切换目标），同时调用模块化后端（lenz）执行精确的概率建模与候选点推荐，实现了语义推理与数值优化的解耦协作。

这项工作真正留下的遗产是证明了“代理+工具”架构在复杂科学发现任务中的优越性，它让优化过程具备了类似人类专家的灵活性与适应性。它为后来者打开的新门是实现可交互、可重构的自动化实验流程，但尚未跨过的门槛是如何在处理代码、分子结构等超高维非结构化搜索空间时，保持代理模型的稳健性与推理效率。

arxiv.org/abs/2608.00316 机器学习 人工智能 论文 AI创造营