ResearchAgent：基于大型语言模型的科学文献迭代式研究构思

科学研究的速度对改善人类生活至关重要，但其过程复杂、缓慢且需要专门知识。同时，新颖且有影响力的研究往往源于对先前工作的深刻理解以及跨领域、跨学科的思想交叉融合。为提高研究人员的生产力，我们提出了 ResearchAgent，它利用大型语言模型 (LLMs) 的百科知识和语言推理能力来辅助其工作。该系统自动定义新问题、提出方法并设计实验，同时基于协作的、由 LLM 驱动的评审智能体的反馈进行迭代优化。具体而言，从一篇核心科学论文出发，ResearchAgent 不仅通过连接学术图谱上的信息来扩充相关出版物，还利用从众多论文中挖掘出的共享底层概念所衍生的知识库中检索到的实体。然后，模仿通过同行讨论来改进想法的科学方法，我们利用多个基于 LLM 的 ReviewingAgents，通过迭代修订过程提供评审和反馈。这些评审智能体由与人类偏好对齐的 LLM 实例化，其评估标准是通过 LLM 提示从实际的人类判断中引出的。我们在多个学科的科学出版物上对 ResearchAgent 进行了实验验证，基于人工和模型评估结果，证明了其在生成新颖、清晰且有效的想法方面的有效性。我们对人工智能介导的科学研究的初步探索，对于未来旨在支持研究人员进行新工作的构思和操作化的系统开发具有重要意义。