基于大模型的idea提炼与创意生成：从让chatgpt直接生成创意到围绕论文和引用提炼idea之ResearchAgent
原文中文，约9100字，阅读约需22分钟。
📝
内容提要
本文介绍了一种基于大模型的研究思路生成方法ResearchAgent，利用大型语言模型处理文献资料，提炼出研究思路并生成新颖见解。通过实体链接方法提取术语数据库，并通过ReviewingAgent评估和反馈。实验结果显示ResearchAgent具有更好的研究思路生成质量。
🔎
延伸解读
知识库增强：跨学科见解的来源
ResearchAgent通过实体链接构建二维矩阵知识库，聚合科学文献中的实体共现。这不仅提供当前论文组未出现的相关实体，还能捕捉领域间关联，例如医学与血液学之间的重叠实体，从而在生成血液学想法时引入医学术语，促进跨学科创新。
迭代评审机制：ReviewingAgent的作用
ReviewingAgent根据五个特定标准对生成的研究问题、方法和实验设计进行独立评估，提供反馈和1-5分评分。这些标准通过人类研究人员标注对齐，确保评估与人类偏好一致，从而迭代优化研究思路，提升其质量。
实验设计：核心论文选择与对比基线
实验从Semantic Scholar Academic Graph API获取2024年5月后发表、引用超20次的高影响力论文作为核心论文，随机抽取300篇。通过对比Naive ResearchAgent（仅核心论文）和无实体检索版本，验证完整模型在生成研究思路上的优势。
❓
Q&A
ResearchAgent的主要功能是什么？
ResearchAgent主要用于基于大型语言模型生成研究思路和新颖见解。
如何通过ResearchAgent提炼研究思路？
通过阅读相关文献、提炼初步想法，并反复审视和反馈来提炼研究思路。
ReviewingAgent在ResearchAgent中起什么作用？
ReviewingAgent根据特定标准提供反馈，以验证生成的研究思路。
ResearchAgent如何选择核心论文？
核心论文基于引用计数进行选择，确保生成的思路具有高影响力。
ResearchAgent的实验数据来源是什么？
实验数据主要来源于Semantic Scholar Academic Graph API，选择高影响力的论文。
ResearchAgent与其他模型相比有什么优势？
ResearchAgent在生成研究思路的质量上表现更好，尤其是通过实体链接增强上下文知识。
🏷️
