小红书精读：Advancing Model Research in AgentX: Long-Horizon Autonomy for Industrial Recommender Systems

🤖636次实验560次跑赢基线

各位算法同学们，636次改模型的实验里，560次AUC超过业务基线。这不是人工调参刷出来的，是两个Agent自己排实验、自己接着往下排出来的。

📄 Advancing Model Research in AgentX: Long-Horizon Autonomy for Industrial Recommender Systems

🔧 双Agent分工：Research Agent负责跨实验规划，从论文和已有实验结果里写提案并自审；Model Agent负责在业务沙箱里多轮改代码、跑训练、返回代码+测量+未解问题。提案和结果来回交换，一次实验的产出直接变成下一次的起点，不用每次都等人类提需求。

🧩 四种研究动作：Reproduce引入方法，Follow-up精修实现，Composition把不同实验的改动拼起来，这三个跑常规研究；Diagnose则专门针对业务反馈和线上评估暴露的问题取证，比如用PCOC衡量的预测偏差，先拿证据再决定怎么修。

⚙️ 一个依赖感知的历史回放benchmark，473个实验节点、6个环境，用来研究下一个实验该怎么选。

📊 约25天生产观察内完成636次改模型实验，560次AUC高于基线。

📈 最长跑的场景里，77次Follow-up有7次、120次Composition有5次，AUC超过了同一血脉里所有可比祖先。

✅ 最新5次跨业务线上A/B：拉新效率提升10-15%，目标人群广告消耗提升15-20%，观看时长提升0.3-0.8%；观看时长模型的FLOPs和参数量还各少约10%。

🔍 调度上有个反直觉结果：agent已经会分析并选出具体候选时，更复杂的自适应分配没有稳定收益，固定任务类型轮换加agent选候选就够用。

总结：对做推荐模型迭代、想在固定业务沙箱里跑自动化实验的团队有用。要盯的是AUC相对基线的分布和血脉里能不能持续刷新纪录，以及线上那几个百分比能否在别的场景复现。坑有两个：agent只能改模型内部的特征表示、路由、骨干和任务塔，上游特征采集和预测任务定义动不了；另外别急着上花哨的调度器，先把候选选择做扎实。跟Dream-RSI那类历史回放工作比，这篇多出来的是把实验结果回灌成下一个研究问题这一步。

原文：AlphaXiv