LUMIR：一个基于大语言模型的多任务红外光谱推理统一智能体框架

红外光谱技术能够实现对化学和物质性质的快速、无损分析，但高维信号和重叠带状阻碍了传统化学计量方法的应用。大语言模型 (LLM) 凭借其强大的泛化和推理能力，为自动化光谱解释提供了新的机遇，但其在该领域的潜力仍未被充分发掘。本研究引入了 LUMIR（LLM-driven Unified agent framework for Multi-task Infrared spectroscopy Reasoning），一个旨在实现低数据条件下准确红外光谱分析的智能体框架。LUMIR 将结构化文献知识库、自动预处理、特征提取和预测建模整合到一个统一的管道中。通过挖掘同行评审的光谱研究，LUMIR 识别出经验证实的预处理和特征提取策略，将光谱转化为低维表示，并应用 few-shot 提示进行分类、回归和异常检测。该框架在多样化数据集上经验证，包括公开可用的牛奶近红外数据集、中国药材、柠檬苜蓿种子皮 (Citri Reticulatae Pericarpium, CRP) 不同储存时长的数据、工业废水 COD 数据集以及两个额外的公共基准数据集（Tecator 和 Corn）。在这些任务中，LUMIR 的性能与或优于 established 的机器学习和深度学习模型，尤其在资源受限的环境中表现突出。本工作表明，结合结构化文献指导与 few-shot 学习，能够实现稳健、可扩展且自动化的光谱解释。LUMIR 为将大语言模型应用于红外光谱提供了新的范式，实现了高精度、最小标注数据和跨学科/工业领域的广泛适用性。