EO-Agents：面向地球观测假说生成的三智能体LLM管线

摘要

大语言模型近期被探索用于科学假说生成——但多数先前工作依赖非结构化文献与自由格式文本声明。我们提出面向对地观测的管线——将假说生成直接锚定在NASA对地观测知识图谱上。在历史共用法关系上训练的异构图神经网络为候选数据集配对排序——三智能体LLM管线过滤、生成并评估结构化研究假说。应用于1,475个NASA数据集——该系统产出160条假说——横跨多个地球科学领域——包括生态水文学、冰川学、气溶胶-云相互作用、植被物候与平流层化学。模型预测的新颖数据集配对被评为与留出的真实文献共用法几乎同样合理——表明该管线浮现出科学连贯但未被探索的组合。跨GPT-5.2与Claude Sonnet 4.6的2×2×2因子实验表明假说排名保持稳定——而绝对分数强烈依赖裁判身份——凸显单裁判LLM评估的局限。

EO-Agents：面向地球观测假说生成的三智能体LLM管线：论文配图 — 图 1：管道的三面板概览。 (a) NASA 地球观测知识图（150,351 个节点，7 种节点类型的 436,203 条边）。 (b) 候选数据集对周围的密集跳跃邻域通过异构 GNN 传递；节点嵌入 𝐡i,𝐡j\mathbf{h}_{i},\mathbf{h}_{j} 与点积评分器进行比较Score⁡(i,j)=σ⁡(𝐡i⋅𝐡j)\operatorname{score}(i,j)=\sigma(\mathbf{h}_{i}\cdot\mathbf{h}_{j}) 生成 200 个候选对的排名列表。 (c) 三个 LLM 代理（每个独立的 GPT-5.2 或 Claude Sonnet 4.6）过滤、生成和判断假设，产生 160 个评分的研究假设。