研究方向
围绕大模型自主交互学习、训练框架、强化学习、知识增强、运行时系统与应用落地，构建面向科研与产业场景的 Agentic AI 技术体系。
大模型自主交互学习机制及方法
大模型自主交互学习旨在研究大模型如何通过与环境、工具、同行模型和人类专家的多源交互，提升任务求解、知识获取和持续进化能力。该方向重点关注 Training-based 交互学习与 Training-free 交互增强两类路径，分别从模型能力优化和运行时能力增强两个层面，推动大模型从静态生成走向自主探索、协同学习和动态适应。
以反馈为信号，在策略空间中完成交互经验学习与能力内化。
在开放任务环境、工具环境和沙盒环境中自主探索、执行行动并接收反馈，形成可学习轨迹、策略经验和奖励信号。
通过模型间讨论、批判、修正、蒸馏和偏好比较，获取多样化推理轨迹、解题策略和协作学习信号。
主动识别知识缺口并向专家提问，将专家反馈转化为领域知识、偏好信号和高质量训练数据。
以语言为接口，在情境空间中完成运行时认知与能力调控。
通过历史经验沉淀、记忆检索与交互式更新，支持经验复用、跨任务迁移和持续迭代，在不更新参数的情况下提升长期任务处理能力。
通过多轮澄清、需求确认、大模型启发式主动提问和反馈修正，动态补充任务情境，提升复杂任务求解质量。
通过科学文献检索、知识库查询、证据追踪和结果验证等交互机制，增强模型的科学知识获取、理解、组织与应用能力。
构建交互环境、轨迹采集、奖励建模、工具调用、模型训练、记忆管理与评测诊断的一体化平台，支撑两类路径的统一闭环。
Retrieval-based Agentic AI
KDD Cup、Paper Search 与 DeepResearch 的系列RAG工作介绍。
Coding-based Agentic AI
代码生成、沙箱执行与结构化表格数据推理的系列Coding Agent工作介绍。
Agentic AI应用研究
聚焦科学智能、电力能源与推荐系统等垂直领域，探索 AI Agent 在真实场景中的知识获取、决策优化与交互式应用能力。
领域应用研究
科学知识获取与发现
面向科学文献、实验数据和领域知识库，重点研究科研问题发现、证据追踪、知识推理与自动化研究辅助。
电力能源调度与决策
面向电力负荷、新能源出力、设备状态和调度运行场景，重点研究预测建模、异常识别、风险评估与决策辅助。
个性化推荐与搜索
面向内容、电商、科研资源和个性化服务场景，重点研究偏好建模、多轮交互、排序决策与推荐结果解释。
时间序列认知
星思启时序认知之智，铸星坊铸预测之器，智多星谋自主之研，观星阁观未来之势，天星台立评测之尺。
科技文献智能搜索
面向科研智能体构建从数据底座、检索技能、自主文献检索智能体到过程评测和真实用户服务的完整知识获取栈。
数据科学自主研究智能体NeoResearch
Data Science Agent 通过自主环境交互，串联文献调研、数据分析、假设生成、小模型设计、认知推理与评估修正，构建端到端自主 data mining 闭环。以 Time Series Forecasting 为典型验证场景，探索 Agent 驱动的数据科学发现范式。