摘要
当前基于大语言模型（LLM）的研究代理在代理编排方面取得了进展，但在科学知识编排方面仍存在诸多不足。现有的研究往往仅将论文简化为摘要、表面提及和扁平化的引用边缘，忽略了关键实体、主张、证据、机制及方法谱系，这些都是科学推理所必需的。为此，我们提出了 Agents-K1，这是一种端到端的知识编排管道，能够将原始文档转换为原生智能体的科学知识图谱。
主要组成部分
Agents-K1 集成了三个组件，基于统一的理论基础：
- 多模态解析器：其五模块架构能够捕捉整个论文中的实体、多模态证据、引用和类型化的实体关系，而不仅限于摘要。
- 信息提取主干：使用 GRPO 训练的 4B 信息提取主干，基于规则的奖励机制进行优化。
- 图形接口 CLI：一个三源智能体接口，统一了网页搜索、多模态图检索和跨文档遍历。
应用与实验
在此基础上，我们处理了 246 万篇科学论文，涵盖六个学科，生成了 Scholar-KG，并发布了一百万篇论文的子集，完整的 Scholar-KG 可通过下面的 SCP 链接访问。相同的管道可扩展至通用领域的语料库和符合模式的数据合成。大量实验表明，Agents-K1 在科学信息提取、知识图谱构建和多跳科学推理方面表现优异。
博主点评： Agents-K1 的提出标志着科学知识编排领域的新进展，尤其是在信息提取和知识图谱构建方面，极大地推动了智能体在科学研究中的应用潜力。其多模态解析器的设计和信息提取策略为未来的研究提供了宝贵的参考。