用于闭环科学文献摘要的多智能体人机协同 LLM 框架
人工智能
2026-04-03 v1
摘要
科学发现因碎片化的文献而受阻，需要大量人力来收集、分析和理解这些文献。AI 工具（包括自主摘要和问答）已开发用于辅助理解科学文献。然而，这些工具缺乏从科学文献中提取深层洞察所需的结构化多步骤方法。大语言模型（LLM）为文献分析提供了新可能，但由于幻觉和不完整提取，仍不可靠。我们引入 Elhuyar，一个多智能体、人机协同系统，整合 LLM、结构化 AI 和人类科学家，从科学文献中提取、分析和迭代优化洞察。该框架将任务分配给专门智能体，用于筛选论文、提取数据、拟合模型和总结发现，并由人工监督确保可靠性。系统生成结构化报告，包含提取的数据、可视化、模型方程和文本摘要，通过迭代优化实现更深层次的探究。在材料科学中部署后，它分析了氦离子辐照下钨的文献，显示氦泡指数增长与辐照剂量和温度呈实验相关性，为聚变反应堆中的面向等离子体材料（PFMs）提供了洞察。这展示了 AI 辅助文献综述如何揭示科学规律并加速发现。
引用
@article{arxiv.2604.01452,
title = {A Multi-Agent Human-LLM Collaborative Framework for Closed-Loop Scientific Literature Summarization},
author = {Maxwell J. Jacobson and Daniel Xie and Jackson Shen and Adil Wazeer and Haiyan Wang and Xinghang Zhang and Yexiang Xue},
journal= {arXiv preprint arXiv:2604.01452},
year = {2026}
}