近日，科研团队推出面向AI编程代理的全新框架Arbor，通过独创的「假说树」架构存储长周期研发任务中的假设、实验过程及经验结论，在相同算力预算前提下，该框架的任务完成性能较现有同类模型高出2.5倍，可大幅降低AI辅助研发的落地成本，为生成式AI在复杂编程、长期科研场景的应用提供了新路径。
过去两年，AI编程工具已经成为不少开发者的日常辅助，但面对动辄持续数周、需要数十次迭代试错的复杂研发任务时，现有AI代理往往会出现「记忆丢失」问题：上一轮验证过的错误路径会被重复尝试，已经得出的实验结论无法复用，不仅拖慢研发进度，也造成了大量算力浪费。
目前主流的AI编程代理大多基于单次任务prompt逻辑设计，仅能处理单步骤、短周期的代码生成需求，针对需要长期迭代的系统开发、科研验证类任务，有效任务完成率普遍不足30%，算力消耗则会随着任务周期延长呈指数级上升。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号