新颖性感知代理检索：通过结构化多步骤推理比较研究贡献

科学文献检索是一项信息检索 (IR) 任务，其中排名列表是不够的：进入新领域的研究人员不仅需要知道哪些论文相关，还需要知道它们如何关联、在哪里重叠、如何不同以及缺少哪些问题方法组合。标准检索增强生成（RAG）独立地总结文档，丢弃这种比较信号。我们提出了新颖性感知研究代理，这是一个原型代理检索系统，通过六个类型化契约组件在 RAG 管道上分层结构化多步骤推理：查询分析、ReAct 式检索循环、相关性排名、模式引导的贡献提取、三遍比较代理和答案生成。除了返回相关论文之外，它还生成结构化比较工件：每篇论文的贡献记录、论文级重叠以及问题 x 方法差距矩阵。在 100 篇论文的语料库上，系统支持标准 RAG 基线不支持的五种结构化比较功能，同时保持查询敏感：在三个主要查询中，没有论文出现在所有三个前 5 组中（平均成对 Jaccard 0.12），并且扩展的 7 个查询评估在 10 个查询中保持模式（平均 Jaccard 0.115，29 篇检索到的论文中的 18 篇不包含查询）。在作者指定的分级相关性下，排序器在主要查询上达到平均 Precision@5 1.000 和 nDCG@5 0.752，领先于 BM25、密集和混合检索；超过 10 个查询 Precision@5 未饱和，为 0.980，nDCG@5 为 0.739。主要查询的架构合规性为 86.7%，十个查询集的架构合规性为 84.0%，验证 20 个采样的空间隙矩阵单元会产生 0.600 的间隙精度。我们讨论了代理检索中的延迟结构权衡，并确定语料库规模、作者分配的标签和有限的独立评估是主要限制。