简单智能体在生物医学成像工作流优化中胜过专家
Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization
对做视觉落地的人，这篇给出了一个可复用的思路：用简单智能体自动改写生产级视觉流水线代码以适配小样本专有数据，替代微调与人工改码；其系统化评测框架也可用于比较不同智能体架构在代码适配任务上的收益。
原文依据 We introduce a systematic evaluation framework for agentic code optimization and use it to study three production-level biomedical imaging pipelines.
摘要译文
由模型翻译 · 术语统一 · 请对照原文核对关键结论将生产级计算机视觉工具适配到定制的科学数据集，是一个关键的“最后一公里”瓶颈。现有方案并不实用：微调需要大规模标注数据集，而科学家往往缺乏这类数据；人工改写代码则要耗费科学家数周乃至数月的工作量。我们考虑使用 AI 智能体来自动完成这类人工编码，并聚焦于一个开放问题：针对这一特定任务，何种智能体设计才是最优的。我们提出了一个面向智能体代码优化的系统化评测框架，并用它研究三条生产级生物医学成像流水线。我们证明，一个简单的智能体框架能够持续生成适配代码，其效果优于人类专家给出的方案。我们的分析表明，常见的复杂智能体架构并非普遍有益，并据此给出了一份实用的智能体设计路线图。我们开源了该框架，并通过将智能体生成的函数部署到生产流水线中验证了我们的方法，展示了通向真实世界影响的清晰路径。
英文原文摘要 1025 字符
Adapting production-level computer vision tools to bespoke scientific datasets is a critical "last mile" bottleneck. Current solutions are impractical: fine-tuning requires large annotated datasets scientists often lack, while manual code adaptation costs scientists weeks to months of effort. We consider using AI agents to automate this manual coding, and focus on the open question of optimal agent design for this targeted task. We introduce a systematic evaluation framework for agentic code optimization and use it to study three production-level biomedical imaging pipelines. We demonstrate that a simple agent framework consistently generates adaptation code that outperforms human-expert solutions. Our analysis reveals that common, complex agent architectures are not universally beneficial, leading to a practical roadmap for agent design. We open source our framework and validate our approach by deploying agent-generated functions into a production pipeline, demonstrating a clear pathway for real-world impact.