arXiv cs.AI· Gihan Panapitiya·· 11 小时前AI 评分38
Optimist Deep Research：面向自主文献研究的迭代式状态中心智能体
Optimist Deep Research: An Iterative, State-Centric Agent for Autonomous Literature Research
AI 导读
Optimist Deep Research 是一个开源智能体，把文献研究建模为围绕显式可变研究状态的迭代证据获取过程，将问题拆成子问题树并通过 arXiv、OpenAlex、Crossref、PubMed、Semantic Scholar 和网络检索。案例研究中它在约三分半钟内阅读了 237 篇检索文档中的 28 篇，最终报告逐节由证据库写成，每条引用都可解析到已检索文档。
正文 · AI 翻译
摘要：大多数检索增强系统将文献检索视为单次检索步骤后接摘要生成。真实的文献研究并非如此：研究者的理解会随着阅读而改变，新的子问题会出现，证据需要权衡，而不仅仅是收集。我们提出 Optimist Deep Research，这是一个开源智能体，它在显式、可变的研究状态上，将文献研究作为迭代式证据获取过程来运行。研究问题被分解为子问题树，每个子问题由搜索意图服务，这些意图被转换为针对 arXiv、OpenAlex、Crossref、PubMed、Semantic Scholar 和网络的源特定查询。结果通过保守的四级去重层次结构合并到规范化的、保留来源信息的文档注册表中。注册表通过引文滚雪球扩展，直到满足饱和标准，然后进行筛选、排序并按轮询方式分配给子问题。文档被并行读取到结构化证据存储中，其中包含带有支持、位置、类型和强度的主张。批评者从八个维度审查状态，并返回研究行动而非二元裁决：它可以添加、拆分、改写、降低优先级或关闭子问题，因此研究计划既是调查的输入也是调查的输出。最终报告从证据存储中逐节撰写，每个引用都解析到检索到的文档。我们描述了设计、使语言模型流水线可审计的确定性机制，以及一个在约三分半钟内阅读了 237 份检索文档中的 28 份的案例研究。我们还报告了案例研究暴露的弱点。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23299 [cs.AI] |
| （或此版本的 arXiv:2610.23299v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.23299 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Gihan Panapitiya [查看电子邮件]
[v1]
2026年10月16日星期五 11:04:43 UTC（31 KB）
来源：arXiv cs.AI · arxiv.org