MOOSE-Copilot：基于网络的交互式助手，用于统一探索性和细粒度的科学假设发现

大语言模型 (LLM) 在科学假设发现方面表现出巨大的潜力。然而，现有的方法面临两个关键的局限性：它们将发散的探索性搜索和收敛的细粒度细化视为孤立的任务，并且它们在几乎没有人类指导的情况下自主运行。我们推出了 MOOSE-Copilot，这是第一个通过正式的人机交互 (HAII) 协议来弥合这一抽象差距的统一框架。我们的系统使科学家能够通过三个明确的信号来引导生成过程：初始蓝图、阶段间路由和阶段内反馈。使用 LLM 提供理想化专家信号的预言机模拟评估，我们表明注入这些结构化信号的性能显着优于纯自主基线，表征了在高质量指导下可实现的增益。此外，我们构建了一个基于网络的界面，将框架转变为无代码工作流程：研究人员提出问题，观察假设搜索作为交互式树展开，并通过选择假设、阶段之间的路由和注入反馈来引导它——无需命令行代理。这使得跨学科研究人员可以直接发现端到端的假设。