Auto-RecSys：工业级推荐系统的自治研究 Agent

复现级别：公开控制器机制实现。 本地实现 per-idea 状态隔离、持久恢复与双层记忆；不声称复现 Meta 内部跨服务器存储、调度平台或多日 GPU 任务。

论文信息

字段	内容
论文链接	arXiv 2609.10922
公司/机构	Meta
首次公开日期	2026-09-10（arXiv v1）
原文开源代码	未找到 / 未发布
Adapter / 方法	research-portfolio-auto-recsys
本地复现代码	src/auto_research/research_loop/portfolio.py

原始论文总结

背景与主要改动

Auto-RecSys 面向训练周期长、配置脆弱的工业推荐研究，让多个 idea 在不同阶段异步推进。 论文的三项 harness 设计是分布式异步执行、集中持久记忆和认知—过程分离；执行循环把成功 流程与失败原因沉淀为 playbook，idea 循环再用历史实验结果指导下一批假设。

原论文关键图

原论文 Figure 1（关键图）：展示原论文的整体流程、关键阶段及其数据流向。图片来自原论文，版权归原作者所有；点击图片可查看来源。

本地复现与边界

ResearchPortfolio 用独立 JSON 保存每个 idea，并用原子替换和独占 claim 隔离并行 worker； 失败会进入 debugging，修复后恢复到原阶段。playbooks.json 保存执行经验，终态结果写入 append-only outcomes.jsonl，可按假设相关性检索，构成两个明确分开的记忆循环。

当前持久层是本地或共享文件系统，而不是论文内部中央服务；远程执行仍由项目已有 SSH / Slurm executor 负责。论文没有公开官方代码，所以本实现只对可公开验证的控制器语义负责。