Проблема: от хаоса к структуре
Автономные AI-агенты для науки (Research Agents) уже умеют искать литературу, писать код и черновать статьи. Однако они часто проваливаются на этапе планирования крупных проектов. Существующие системы воспринимают проект как одну гигантскую задачу, что приводит к созданию плоского списка размытых, пересекающихся действий или необходимости ручной координации. Проект2Task решает эту проблему, внедряя слой графового планирования уровня проекта (Project-Level Planning).
Механика: Innovation Atoms и графы
Система берет краткое описание проекта (project brief) и разбивает его на «атомы инноваций» (innovation atoms) — кандидаты на вклад в науку. Эти атомы организуются в направленный граф родословной (directed lineage graph). Алгоритм использует легковесную цель на основе Bernoulli block-model для выбора оптимальной стратегии декомпозиции: горизонтальной, вертикальной или гибридной. На выходе формируются «контракты задач» (task contracts), которые содержат:
- Четкое владение вкладом (contribution ownership).
- Исправление дубликатов и пропущенных полей.
- Явные зависимости и порядок выполнения.
- Требования к артефактам и критерии оценки.
Результаты: цифры и бенчмарки
Эксперименты проводились на наборе из 10 проектных брифов, генерирующих около 30 задач. Оценка качества выполнялась на основе анализа рукописей. Project2Task демонстрирует статистически значимое превосходство над базовыми подходами:
| Метод | Средний балл качества (Quality Score) | Точность выполнения задач (Task Accuracy) |
|---|---|---|
| Brief Baseline (Базовый) | 4.58 | — |
| Topic-only Setting | 5.31 | — |
| Project2Task | 7.15 | 0.759 (с AutoResearchClaw) |
| AutoResearchClaw (без планировщика) | — | 0.536 |
Интеграция контрактов Project2Task с системой AutoResearchClaw повысила точность выполнения downstream-задач с 0.536 до 0.759. Это доказывает, что явное планирование от проекта к задаче критически важно для создания связных, не избыточных и исполняемых портфелей исследований.
Значение для индустрии
Работа авторов (Huirui Xu, Runtao Xu, Shuo Ren, Jiajun Zhang) закладывает фундамент для следующего поколения автономных научных ассистентов. Переход от управления отдельными запросами к управлению графами зависимостей позволяет AI-агентам вести долгосрочные (long-horizon) исследовательские программы, сопоставимые по структуре с работой человеческой лаборатории.
Источник: arXiv cs.AI ↗