面向LLM驱动的科学工作流任务感知检索：为Galaxy系统而设计

科学工作流管理系统（SWfMS）如Galaxy已成为生物信息学中至关重要的基础设施，支持复杂多步骤分析的设计、执行与共享。尽管Galaxy托管了数百个可复用的工作流，但其当前基于关键词的检索系统仅能提供有限的语义查询解释，常因缺乏精确匹配而未能凸显相关工作流。为填补这一空白，我们提出一种任务感知的双阶段检索框架，将稠密向量检索与大语言模型（LLM）重排序集成。我们的系统首先使用最先进的嵌入模型检索候选工作流，然后通过基于语义任务对齐的指令微调生成式LLM（如GPT-4o、Mistral-7B）进行重排序。为支持稳健评估，我们构建了包含通过BERTopic标注语义主题的Galaxy工作流基准数据集，并使用LLM合成真实任务导向查询。我们对比评估了词法、稠密和重排序模型，采用标准信息检索指标，首次系统评估了Galaxy生态系统内的检索性能。结果表明，我们的方法在提升Top-K准确率和相关性方面显著有效，尤其适用于长篇或表述不完整的查询。我们进一步将系统集成至Galaxy原型工具中，为LLM增强型工作流搜索提供了概念验证。本工作推动了科学工作流的可用性与可及性，尤其为新手用户和跨学科研究人员。