SurveyAgent-HKA：基于LLM与人类知识增强的多智能体科学综述生成框架
TLDR
SurveyAgent-HKA是多智能体框架，融合人工综述大纲与同行评审意见，生成高质量科学综述。
评分理由
The paper presents a clear multi-agent framework addressing limitations of single-source retrieval and one-pass LLM generation, with experiments showing gains in citation quality, structural consistency, and content quality. However, evaluation is limited to two domains and the abstract does not provide detailed quantitative results or comparisons of the peer-review revision component.
Read-first 评分解释
综合优先阅读分 52.7，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 63。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：91。
关键词评分
深度分析
创新点
- 提出了SurveyAgent-HKA，一种多智能体框架，将科学综述生成分解为由LLM驱动的智能体处理的子任务。
- 融合来自已发表综述和同行评审意见的人类知识增强，而非仅依赖检索到的文献。
- 使用多来源论文检索和主题聚类来构建初始大纲。
- 利用相关人工撰写综述的大纲对初始大纲进行精炼。
- 基于精炼后的大纲检索并重新排序主题聚焦论文，以支持有充分依据的起草。
- 从已发表综述的同行评审意见中识别专家常见问题，以指导综述修改。
方法
SurveyAgent-HKA是一种多智能体框架，将科学综述生成分解为由LLM驱动的智能体处理的子任务。它从多个来源检索相关论文，对其进行聚类以识别关键主题并构建初始大纲，利用相关人工撰写综述的大纲对该大纲进行精炼，然后检索并重新排序主题聚焦论文以用于起草。它还利用从已发表综述的同行评审意见中发现的常见问题来指导修改，并在两个领域上与主流基线进行评估。
关键结果
在两个领域的实验中，SurveyAgent-HKA在引用质量、结构一致性和内容质量方面优于主流基线，同时在时间和成本上也很高效。