SurveyG：基于层次化引用图的多智能体大语言模型框架用于自动综述生成
TLDR
SurveyG利用层次化引用图和多智能体LLM生成连贯、结构化的综述论文，经人类和LLM评估。
评分理由
The paper introduces a novel framework that leverages hierarchical citation graphs to capture research evolution, addressing a key limitation of existing survey generation methods. Strengths include a structured multi-agent validation stage and empirical evaluation with human experts. Weaknesses are not apparent from the abstract alone, but the reliance on LLM-as-a-judge may introduce bias.
Read-first 评分解释
综合优先阅读分 58.4，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 61。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：24。
关键词评分
深度分析
创新点
- 具有三个层次（基础层、发展层、前沿层）的层次化引用图，捕捉研究演进
- 结合层内横向搜索和跨层纵向深度遍历的多智能体框架，生成多层次摘要
- 确保一致性、覆盖范围和事实准确性的多智能体验证阶段
- 将引用依赖关系和语义相关性融入综述生成过程
方法
SurveyG构建一个层次化引用图，其中节点为论文，边表示引用和语义关系。论文被组织为基础层、发展层和前沿层；智能体执行横向和纵向遍历以生成多层次摘要，并整合为结构化大纲。随后，多智能体验证阶段对最终综述进行精炼。
关键结果
SurveyG在人类专家和LLM作为评判者的评估中优于最先进的框架，生成的综述更全面，且更符合领域的内在知识分类体系。
技术栈
LLMMulti-AgentHierarchical Citation GraphLLM-as-a-Judge