SurveyAgent-HKA：利用 LLM 和人类知识增强进行科学调查生成的多智能体框架

自动科学调查生成已成为科学文档处理中的一项重要任务。从单一来源（例如 arXiv）检索文献并通过一次性 大语言模型 (LLM) 调用生成调查的常见方法通常会导致参考覆盖范围有限，更重要的是，无法复制对于编写高质量调查至关重要的专家驱动的修订过程。在本文中，我们介绍了 SurveyAgent-HKA，这是一个多代理框架，它通过整合从已发表的调查和同行评审评论中获得的知识来改进端到端科学调查的生成。该框架将调查生成分解为由 LLM 支持的代理处理的明确定义的子任务。它首先从多个来源检索相关论文，并通过聚类识别关键主题以构建初始大纲，然后使用相关人工撰写调查的大纲进行细化。根据完善的大纲，检索主题论文并重新排名，以选择起草一份有充分依据的调查。然后，我们从已发表的调查中找出专家在同行评审意见中提出的常见问题，以指导修改并最终完成调查。在两个领域的实验表明，我们的方法在引文质量、结构一致性和内容质量方面优于主流基线。此外，我们的框架在时间和成本方面都很高效，使其成为更广泛的人工智能辅助科学写作应用的实用解决方案。