「科研特工」

整体结构

下图展示了多智能体模型SciAgents的工作流，模型从科学论文生成的综合知识图中检索关键概念和关系，并自动化科学发现过程。

b和c两部分代表为生成新颖的科学假设而部署的两种不同策略，这两种策略都利用了多个Agent的集体智慧，整合每个Agent的专业能力，系统地探索未知的研究领域，以产生创新和高影响力的科学假设。

两种方法之间的主要区别在于智能体之间交互的性质。第一种方法中（图b），智能体之间的交互是预先编程的，并遵循预定义的任务序列，以确保生成假设的一致性和可靠性。

相比之下，第二种方法（图c）的特点是智能体交互的完全自动化，没有预定义交互顺序，是一个更灵活适应性更强的框架，可以动态响应研究过程中不断变化的环境。

第二种策略还纳入了人机交互，使得人类能够在研究开发的各个阶段进行干预。

这种措施允许专家反馈、完善假设，或战略性指导某些材料、类型、特征的规范，最终提高所产生的科学想法的质量和相关性。

此外，第二种方法还可以轻松地合并其他工具，比如使用Semantic Scholar API来增强多智能体模型，使其能够根据现有文献检查生成假设的新颖性。

上图显示了从初始关键字选择到最终文档的整个过程。

子图作为在JSON中生成结构化输出的基础，包括假设、结果、机制、设计原则、意外特性和新颖性。

随后，每个组件都会在单独的提示下进行扩展，以产生大量额外的细节，形成一个全面的草案。

草案会经过严格的审查过程，包括对建模、模拟优先事项（比如分子动力学）和实验优先事项（比如合成生物学）的修改。最终的综合草案以及批判性分析构成一份可以指导进一步科学探究的文件。

多智能体策略

接下来探讨多智能体策略的主要组成部分，给出每个部分样本假设的实际示例。比如下面这个假设是用「丝绸」和「能源密集型」作为起始节点产生的，实验的部分结果如下图所示。

路径生成

模型的核心是一个广泛的知识图，涵盖仿生材料和力学领域。知识图整合了各种概念和知识领域，使模型能够探索曾经看似互不相关的假设。

为了增强底层大语言模型LLM的功能，研究人员为其提供了由此知识图派生的子图，用于描述连接综合图中两个关键概念或节点的路径。

作者认为建立这条路径至关重要，且这里没有使用最短路径，而是采用随机路径。

如上图所示，随机方法为路径注入了更丰富的概念和关系，使智能体能够探索更广泛的领域，而不是只包含几个概念的最短路径。

这种扩展的探索不仅增强了所获得见解的深度和广度，还促进了产生假设的新颖性。最初，这两个概念可以由用户指定，也可以由模型从知识图中随机选择。例如，

上图显示了通过对随机选择的概念进行随机抽样，而得出的附加知识图，以提供附加示例。而下图以可视化方式展示了，如何在两个预定节点或随机选择的节点之间进行路径采样。

这些生成的路径，提供了以前不相关的各种概念及其互连的分析表示。通过描绘这些关系，模型能够感知和分析之前未明确关联的概念之间的联系。这种创新的映射方法使模型能够推断和产生既新颖又具有潜在变革性的想法，为理解和应用的突破铺平了道路。

基于LLM的深入洞察

利用LLM驱动的本体论智能体，可以更深入地了解在早期路径生成阶段已绘制出的复杂关系。

在这种情况下，本体论智能体的作用是有帮助的。它应用先进的推理技术来综合和解释复杂的数据网络，能够提取乍一看可能并不明显的重要见解，从而提供对关系更丰富、更详细的理解。

上图展示了本体论对路径所确定的关系的一些见解，表明模型对看似不相关的概念之间的关系有了相当精细的理解。

这种能力使得模型能够支持科学研究中的推理，并提出新的研究假设，用于在后续阶段进一步探索。

参考资料：