HypoEvolve: Genetic Algorithms Enable Multi-Agent LLMs to Discover Scientific Hypotheses
HypoEvolve：遗传算法驱动多智能体LLM发现科学假设
🧭 多智能体遗传算法优化科学假设生成
University of California San Diego · Texas A&M University · Carnegie Mellon University · Mohamed bin Zayed University of Artificial Intelligence
用遗传算法协调多智能体LLM，通过种群迭代生成科学假设，在药物重定位评估中DepMap selectivity达0.171
📌 工作参考价值（4 点）
- 多智能体+遗传算法可迁移到广告文案、搜索query、商品描述的生成：把候选文案/query视为种群，多个agent分别负责生成、批判、修改，适应度函数使用CTR、转化率等线上/离线信号，而不仅靠LLM评分。
- 显式定义协作规则（选择、交叉、变异）可以分离模型能力与协作收益，便于A/B测试不同agent配置；在推荐系统中可固定生成模型，替换协作策略来验证多agent架构的实际价值。
- 评估设计借鉴外部证据：药物重定位用DepMap/Open Targets等外部数据，业务中可用用户行为日志、搜索点击日志、成交数据作为外部评估，避免仅用LLM judge或人工标注。
- 外部信号做适应度时注意选择偏差和泛化：论文验证了held-out癌症类型上的泛化，业务中可验证创意/query生成在未见过品类/场景上的表现，防止过拟合历史数据。