多专家协作
让不同的专业， 形成共同的理解。
复杂任务往往需要不止一种视角。我们探索不同角色的智能体如何明确分工、共享上下文、比较判断，让多方参与形成有价值的协作。
我们关注的问题
- 如何让不同专家围绕同一个目标协同？
- 如何识别意见分歧，并让人参与关键判断？
探索智能的边界， 拓展人的可能。
智能的价值，不止于给出答案。我们关注智能如何理解持续变化的情境、连接不同的专业，并在人与智能的协作中，让复杂的事情向前一步。
研究方向
从值得追问的问题出发。
围绕智能体的应用，我们关注三个相互连接的方向：如何汇聚专业，如何延续理解，以及如何让行动更加可靠。
上下文与长期记忆
让每一次交流， 都有可以延续的上下文。
有帮助的记忆，需要知道什么值得保留，也需要知道何时更新与遗忘。我们关注记忆的相关性、准确性与可管理性，让持续协作建立在恰当的理解之上。
我们关注的问题
- 如何在变化的任务中找回真正相关的信息？
- 如何让记忆可查看、可纠正，也可被删除？
可靠行动与人的控制
让智能向前一步， 让人始终掌握方向。
从建议走向行动，需要清晰的边界。我们关注任务执行中的可验证性、授权与反馈，探索智能体如何在不确定时停下来，让人理解过程、确认关键步骤并纠正偏差。
我们关注的问题
- 如何判断一个任务是否真正完成？
- 哪些行动应当由人确认，如何及时发现偏差？
研究方法
把研究的问题， 带回真实的使用。
能力的进步，需要经得起具体场景的检验。我们以真实任务为起点，将可验证的问题、清晰的评价与持续的反馈连接起来。
从问题开始
关注个人、团队与企业的实际任务，明确智能在哪些环节可以带来帮助，以及哪些判断应当留给人。
让验证具体
将任务完成度、信息准确性、协作成本与使用边界纳入评价，让一次进步可以被观察和讨论。
在反馈中修正
关注失败与例外，回看智能的判断和行动过程，让产品体验与研究问题相互推动。