面向闭环科学文献总结的多智能体人类-LLM协同框架

碎片化的文献需要耗费过多人力去收集、分析和理解，从而拖慢了科学发现。包括自主总结与问答在内的AI工具已被开发出来以辅助理解科学文献。然而，这些工具缺乏从科学文献中提取深层洞见所必需的结构化、多步骤方法。大语言模型（LLM）为文献分析提供了新的可能，但因幻觉和抽取不完整而仍不可靠。我们提出Elhuyar，一个多智能体、人在回路的系统，它整合LLM、结构化AI与人类科学家，以提取、分析并迭代精炼来自科学文献的洞见。该框架将任务分配给负责筛选论文、抽取数据、拟合模型和总结发现的专用智能体，并由人类监督保障可靠性。系统生成包含抽取数据、可视化、模型方程和文字摘要的结构化报告，支持通过迭代精炼开展更深入的探究。该系统部署于材料科学领域，分析了钨在氦离子辐照下的相关文献，给出与实验相符的氦泡随辐照剂量和温度呈指数增长的规律，为聚变反应堆中的面向等离子体材料（PFM）提供了洞见。这表明AI辅助的文献综述能够发现科学规律并加速科学发现。