BizSage：用于商业研究和高效知识检索的自我进化多代理框架

虽然基于大语言模型 (LLM) 的多智能体系统在自动化学术研究的渐进式工作流程方面显示出了希望，但将其扩展到经济学和商业研究（其中专业领域知识跨越相邻学科，但仍然难以以结构化方式获取），这带来了两个挑战。首先，现有的方法大多在论文层面进行检索，但研究任务所需的证据往往分布在不同的部分，造成粒度不匹配，阻碍了检索的覆盖范围和精度。其次，这些领域需要严格的经验严谨性，但当前的系统提供的从评估反馈中学习的机制有限。我们提出了 \textbf{BizSage}，一个将语料库级细粒度检索与质量驱动的自我进化相结合的多智能体框架。我们通过合并部分级知识图来构建横向知识图（LKG），并应用个性化 PageRank（PPR）来显示语义相关和结构上重要的部分。七个专业代理在 Meta-Review 自我进化机制下进行协作，该机制将评估跟踪中的故障模式提炼为可重用的策略。在涵盖四个领域和三个任务的基准测试中，BizSage 在大多数指标上排名第一，相对于六个基准，成对胜率达到 60% 以上，并且产生零幻觉引用。我们希望 BizSage 为经济、商业和更广泛的社会科学领域的可靠研究援助铺平道路。