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。
人类学习启发的大模型自主学习
探究大模型从模型及人类反馈中进行自主交互学习的机制及方法，以实现能力持续提升。
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。
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。
大模型推理机理与智能体系统科学
围绕大模型思维链推理机理与大模型智能体机理展开研究，关注推理链路、任务分解、工具调用、记忆与反思之间的协同关系。
研究大模型复杂推理中的任务理解、子问题分解、证据整合、路径依赖与错误传播机制。
研究智能体在规划、工具调用、记忆读写、环境反馈和反思修正中的动态行为演化规律。
研究智能体的失效模式、早期风险信号、记忆漂移、可靠性边界与可控演化机制。
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。
科学知识认知
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。