走向递归自我进化代理文献检索

科学文献检索必须理解复杂的搜索意图，同时保持来源的真实性。传统的关键字和基于嵌入的系统返回真实的来源，但错过了微妙的意图，而 大语言模型 捕获了更丰富的意图，但可能会伪造引用。我们介绍 PaSaMaster，这是一种递归自我进化代理文献检索系统，它可以迭代分析意图，检索经过验证的论文，并根据基于证据的相关性分数对它们进行排名。 PaSaMaster 结合了自我进化检索，可以随着时间的推移从排名证据中细化搜索意图，对经过验证的论文而不是生成的引文进行无幻觉排名，以及具有成本效益的规划——检索分离，为意图理解保留前沿 LLM，同时将检索和评分委托给轻量级模型和定制语料库。在 PaSaMaster-Bench 的 38 个学科中，PaSaMaster 以大约 1\% 的成本实现了比 Google Scholar 高 16.5$\times$ 的 F1 分数，比 GPT-5.2 高 37.8\% 的 F1 分数，同时将生成 LLM 中的源幻觉从 32.66\% 降低到零： https://github.com/sjtu-sai-agents/PaSaMaster