ResearchStudio-Idea: 基于证据的研究构思技能套件，源自机器学习会议成果

大型语言模型使得研究构思变得越来越容易，但有效的想法开发不仅仅是生成候选方向。研究人员必须将问题置于现有文献中，识别有意义的瓶颈，与现有解决方案区分开来，并在承诺实施之前评估风险。我们推出 ResearchStudio-Idea 作为研究构思“第一英里”的可重用技能套件。该套件包括 Paper-Search，一个独立的、多来源的文献搜索技能；Scoop-Check，一个独立的、用于新颖性主张的先行技术冲突检查器；以及 IdeaSpark，一个将证据基础、模式引导生成、冲突检索、审计和想法卡片渲染整合到一个工作流中的端到端技能。IdeaSpark 是从一个包含 1,947 篇机器学习会议论文的语料库构建的，这些论文收集自 2021 年至 2025 年的 ICLR、ICML 和 NeurIPS，包括口头报告论文、单独跟踪的高引用子集以及被拒稿件。对这些结果的分析揭示了 31 种重复出现的构思子模式，这些子模式被整合为 15 种可重用的构思模式。每种模式都作为一个结构化卡片进行操作，其中包含研究背景、瓶颈类型、差异化策略、支持先例和常见失败模式。给定一个研究问题和一个证据捆绑包，IdeaSpark 评估证据准备情况，重建周围的研究背景，识别未解决的瓶颈，选择相关模式，实例化一个候选方向，检索可能冲突的先行工作，并执行结果导向的审计。这个工作流将可重用的构思模式转化为可追溯的研究提案。盲目的自动化评审评估表明，IdeaSpark 始终比无技能和通用技能基线产生更强的研究提案，同时保持有竞争力的新颖性。