论文
AquiLLM：支持科研团队隐性知识沉淀的RAG-LLM架构
AquiLLM: An Architecture for Supporting Tacit Knowledge Capture in Research Groups
摘要
检索增强生成（RAG）与大语言模型（LLM）的近期进展使研究者能够将AI整合进科学工作流程。然而，使用专有商业AI系统会引发对透明度、可复现性与隐私的担忧，而这些对科学实践至关重要。为此，AquiLLM被开发为一个采用开放权重模型的开源模块化RAG-LLM框架，旨在支持科研团队沉淀隐性知识。在本工作中，我们展示了对AquiLLM的一系列架构改进与功能增强，包括本地嵌入与重排序、多模态能力、OpenAI兼容的推理接口、用户界面改进、语义与情景记忆能力以及技能支持。这些增强源自与领域专家（包括天体物理学家和环境研究者）的讨论，代表着向更贴合科学研究实践的AI系统迈出的一步。
