AutoMind：用于自动化数据科学的自适应知识型智能体

大型语言模型（LLM）智能体在解决现实世界的数据科学问题方面展现出巨大潜力。LLM 驱动的数据科学智能体有望自动化整个机器学习流程，但它们在现实世界中的有效性仍然有限。现有框架依赖于僵硬、预定义的工作流和不灵活的编码策略；因此，它们仅在相对简单、经典的问题上表现出色，未能捕捉人类实践者在复杂、创新任务中积累的经验专业知识。在这项工作中，我们引入了 AutoMind，一个自适应、知识丰富的 LLM 智能体框架，它通过三项关键进展克服了这些不足：（1）一个精心策划的专家知识库，为智能体奠定领域专家知识基础；（2）一个智能体知识树搜索算法，战略性地探索可能的解决方案；以及（3）一个自适应编码策略，根据任务复杂性动态调整代码生成。在两个自动化数据科学基准测试上的评估表明，AutoMind 比最先进的基线模型展现出卓越的性能。进一步的分析证实了其有利的有效性、效率和定性解决方案质量，凸显了 AutoMind 是迈向全自动化数据科学的有效且稳健的一步。