科研创意生成的难点，不只是让模型给出“好点子”，还要避免一批答案彼此相似。IDEAgent针对这一矛盾，把研究构思从单次生成改写为质量—多样性（Quality-Diversity，QD）联合搜索，并让多个智能体沿创意谱系持续演化候选方案。

从单目标生成转向谱系搜索

现有系统通常分别优化质量或多样性：前者容易收敛到彼此接近的想法，后者则可能扩张出大量琐碎、不可靠或表述不清的概念。IDEAgent以“谱系”管理创意演化。质量侧通过多目标反馈，对候选方案执行专门的修复与细化；多样性侧使用轻量级顺序记忆，并把新候选与已完成创意、历史祖先及被拒方案显式比较。其重点不是简单增加采样量，而是同时保留改进路径和排重参照。

用 Yield 衡量有效多样性

论文提出联合指标 Yield：在达到预设质量门槛的创意中，计算能够组成的最大互异集合。相比把平均质量和多样性分开汇报，这个指标更直接地关注“有多少既合格又不同的点子”。在覆盖计算机科学8个领域、32个主题的评测中，IDEAgent的 Yield 是最强基线的3.89倍；获得非零 Yield 的主题数量则达到其8倍。作者的进一步分析表明，修复与细化对于增强逻辑严谨性和表达清晰度很关键。不过，给定材料没有披露质量阈值、评审方式、具体基线及计算成本，结果的适用范围仍需结合完整实验判断。

我的判断

这项工作的主要价值，是把科研构思明确为质量与多样性的联合优化问题，并给出与该目标对应的指标，而不只是再叠加一套多智能体流程。它更适合需要批量产生候选方向、且能预先定义质量标准的场景。边界也很清楚：Yield依赖质量判定和“互异”的定义；谱系记忆能减少已知范围内的重复，却不能直接证明创意具备事实正确性、外部新颖性或真实科研价值。3.89倍的结果值得关注，但在评审可靠性和资源开销明确前，宜视为有潜力的搜索框架，而不是科研创新已经被自动化的证据。