AutoResearchClaw: 인간-AI 협업을 통한 자기 강화형 자율 연구

과학적 발견을 자동화하는 것은 단순히 아이디어로부터 논문을 생성하는 것 이상의 것을 요구합니다. 실제 연구는 반복적입니다. 가설은 다양한 관점에서 도전받고, 실험은 실패하며 다음 시도에 정보를 제공하며, 교훈은 사이클을 거치며 축적됩니다. 기존의 자율 연구 시스템은 종종 이 과정을 선형적인 파이프라인 (linear pipeline)으로 모델링합니다. 즉, 단일 에이전트 추론 (single-agent reasoning)에 의존하고, 실행이 실패하면 중단되며, 실행 간에 경험을 전달하지 않습니다. 우리는 다섯 가지 메커니즘을 기반으로 구축된 멀티 에이전트 (multi-agent) 자율 연구 파이프라인인 AutoResearchClaw를 제시합니다. 이 메커니즘은 다음과 같습니다: 가설 생성 및 결과 분석을 위한 구조화된 멀티 에이전트 토론 (structured multi-agent debate), 실패를 정보로 변환하는 extsc{Pivot}/ extsc{Refine} 결정 루프를 갖춘 자기 치유형 실행기 (self-healing executor), 조작된 숫자와 환각된 인용 (hallucinated citations)을 방지하는 검증 가능한 결과 보고, 완전한 자율성부터 단계별 감독에 이르는 7가지 개입 모드를 아우르는 인간 참여형 (human-in-the-loop) 협업, 그리고 과거의 실수를 미래의 방어책으로 전환하는 실행 간 진화 (cross-run evolution)입니다. 25개 주제의 실험 단계 벤치마크인 ARC-Bench에서 AutoResearchClaw는 AI Scientist v2보다 54.7% 더 높은 성능을 보였습니다. 7가지 개입 모드에 걸친 인간 참여형 어블레이션 (ablation) 연구 결과, 영향력이 큰 결정 지점에서의 정밀하고 표적화된 협업이 완전한 자율성과 철저한 단계별 감독 모두보다 일관되게 우수한 성능을 보임을 확인했습니다. 우리는 AutoResearchClaw를 인간의 과학적 판단을 대체하기보다는 증폭시키는 연구 증폭기 (research amplifier)로 정의합니다. 코드는 https://github.com/aiming-lab/AutoResearchClaw 에서 확인할 수 있습니다.