ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models

科学研究对于改善人类生活至关重要，但其内在的复杂性、缓慢的进展以及对专业专家的需求却成为了制约因素。为了提高其生产力，我们提出了ResearchAgent，这是一个由大型语言模型驱动的研究想法编写代理程序，可以在不断根据科学文献进行修正的同时自动生成问题、方法和实验设计。具体而言，我们的ResearchAgent从一个核心论文作为主要焦点开始生成想法，并通过连接学术图上的信息以及基于其概念的实体中心知识存储检索到的实体来扩充相关出版物。此外，为了模仿人类通过同行讨论不断改进想法的方法，我们利用多个ReviewingAgents来提供迭代的评论和反馈。此外，这些代理程序是由与人类偏好对齐的大型语言模型实例化的，其评估标准来自于实际人类判断。我们在多个学科的科学出版物上进行了实验验证，展示了ResearchAgent在生成基于人类和基于模型的评估结果的新颖、清晰和有效的研究想法方面的有效性。

提高科学研究的生产力，解决其复杂性、缓慢的进展以及需要专业专家的问题。

提出了一种名为ResearchAgent的大型语言模型，利用科学文献自动生成问题、方法和实验设计，并根据科学文献进行迭代优化。

ResearchAgent不仅使用学术图表连接信息来增强其相关出版物，还使用基于其概念的实体中心知识库检索实体。同时，利用多个ReviewingAgents提供反馈，这些代理基于实际人类判断派生的大型语言模型进行实例化。实验证明了ResearchAgent在多个学科的科学出版物中的有效性。

最近的相关研究包括使用语言模型的自动文献综述和基于学术图表的自动问题生成。