基于工作流归纳的多轮自主式科学文献搜索

# 通过工作流归纳实现多轮智能体科学文献搜索
来源：https://arxiv.org/html/2607.00597
Jisen Li¹,²††Equal contribution, order interchangeable.††Contact: {jisenli2, bl61}@illinois.eduBingxuan Li¹†Nanyi Jiang³†Xuying Ning¹Xiyao Wang³Yifan Shen¹Heng Wang¹Yuqing Jian²Xiaoxia Wu²Ben Athiwaratkun²Pan Lu⁴Jiaxuan You¹Bingxin Zhao³ ¹伊利诺伊大学厄巴纳-香槟分校 ²Together AI ³宾夕法尼亚大学 ⁴斯坦福大学 项目网站 (https://paperpilot.papersearch.org/)

###### 摘要

科学文献搜索通常不仅仅是根据单个查询检索论文：用户的意图是不明确的、依赖偏好的，并通过交互逐步演化。现有的搜索代理通常依赖固定流水线或隐式的纯语言推理，导致搜索策略难以控制、检查和优化。我们提出 PaperPilot，一个将科学搜索建模为工作流归纳的多轮文献搜索代理。给定一篇锚点论文和一个用户查询，PaperPilot 构建一个由论文搜索算子组成的可执行有向无环图（DAG），包括关键词搜索、引用扩展、过滤、评分、重排序和证据抽取。用户反馈随后用于优化查询以及工作流本身。我们通过监督工作流模仿和偏好优化（对受控工作流损坏进行优化）来训练 PaperPilot。实验表明，在多轮交互下，PaperPilot-9B 相对于基础 Qwen3.5-9B 工具集代理有所改进，Hit@5 从 58.0 提升至 77.0，MRR 从 47.5 提升至 59.4，nDCG@10 从 26.8 提升至 32.5，同时工作流执行错误从 9.5% 降至 0%。这些结果表明，显式、可编辑的搜索工作流为将文献搜索代理与复杂的科学意图对齐提供了一种有效且可控的接口。

多轮智能体科学文献搜索通过工作流归纳

Jisen Li¹,²††Equal contribution, order interchangeable.††Contact: {jisenli2, bl61}@illinois.eduBingxuan Li¹†Nanyi Jiang³†Xuying Ning¹Xiyao Wang³Yifan Shen¹Heng Wang¹Yuqing Jian²Xiaoxia Wu²Ben Athiwaratkun²Pan Lu⁴Jiaxuan You¹Bingxin Zhao³
¹伊利诺伊大学厄巴纳-香槟分校 ²Together AI ³宾夕法尼亚大学 ⁴斯坦福大学
项目网站 (https://paperpilot.papersearch.org/)

图 1：PaperPilot 概览。与单轮科学文献搜索相比，PaperPilot 使用多轮反馈来澄清用户意图并在生成最终结果之前优化搜索工作流。

表 1：文献搜索与智能体推理系统关键能力对比。✓ = 明确的一流支持；△ = 部分或间接支持；× = 明确不支持。

## 1 引言

科学文献搜索是一项核心研究活动，其需求日益超越关键词匹配。研究人员必须识别相关的先前工作，探索引用和语义邻域，比较候选论文，过滤干扰项，并理解检索到的论文为何与特定研究意图相关。随着科学产出持续增长，文献搜索越来越依赖自适应检索和交互，而非静态查询匹配。

最近的智能体搜索系统通过将语言模型与外部工具、迭代推理和多步搜索相结合来提升检索质量（Agarwal 等，2024 (https://arxiv.org/html/2607.00597#bib.bib30); Skarlinski 等，2024 (https://arxiv.org/html/2607.00597#bib.bib31); Asai 等，2024 (https://arxiv.org/html/2607.00597#bib.bib32); He 等，2025 (https://arxiv.org/html/2607.00597#bib.bib33); Baek 等，2025 (https://arxiv.org/html/2607.00597#bib.bib34)）。然而，搜索意图很少在单个查询中完全明确，这呼应了澄清驱动检索领域更广泛的发现——模糊的信息需求通常需要交互式消歧（Zamani 等，2020 (https://arxiv.org/html/2607.00597#bib.bib36); Li 等，2025a (https://arxiv.org/html/2607.00597#bib.bib16); Chi 等，2024 (https://arxiv.org/html/2607.00597#bib.bib35); Liu 等，2026a (https://arxiv.org/html/2607.00597#bib.bib2); Li 等，2026b (https://arxiv.org/html/2607.00597#bib.bib22); Wang 等，2026 (https://arxiv.org/html/2607.00597#bib.bib12)）。例如，一个“查找本文的后续工作”的请求可能涉及直接引用、近期扩展、同一应用领域的论文，或基于某个特定方法论组件的工作。因此，正确的检索策略取决于隐含的用户偏好和不断演化的交互反馈。

这催生了科学文献搜索的多轮设定，其中代理与用户交互以澄清意图并优化检索策略，然后才最终确定结果。这种交互很重要，因为科学相关性往往取决于细粒度的偏好，如引用方向、方法相似性、时效性、基准使用情况或应用领域。

大多数现有 AI 代理以隐式的自由形式语言表示用户意图，或执行基本固定的检索与合成流水线（Agarwal 等，2024 (https://arxiv.org/html/2607.00597#bib.bib30); Shao 等，2024 (https://arxiv.org/html/2607.00597#bib.bib37); Li 等，2024a (https://arxiv.org/html/2607.00597#bib.bib13); Wang 等，2024 (https://arxiv.org/html/2607.00597#bib.bib38); Asai 等，2024 (https://arxiv.org/html/2607.00597#bib.bib32); He 等，2025 (https://arxiv.org/html/2607.00597#bib.bib33); Li 等，2026a (https://arxiv.org/html/2607.00597#bib.bib14); Liu 等，2026b (https://arxiv.org/html/2607.00597#bib.bib4)），使得检索过程难以控制。当用户提供“这些论文太宽泛”或“关注更近期的成果”等反馈时，代理必须将自然语言反馈转化为具体的检索变更。如果没有有效的表示，这种反馈通常被视为额外的查询文本，而非修改检索行为本身的指令。

我们提出 PaperPilot，一个通过工作流归纳实现的多轮智能体科学文献搜索系统。PaperPilot 不依赖固定的检索流水线，而是针对每个用户请求构建一个可执行的有向无环图（DAG）。我们定义 PaperPilot-Toolset 为类型化论文搜索算子库，包括关键词搜索、引用扩展、过滤、评分、重排序和证据抽取。每条边代表中间输出（如论文集合、关键词、证据或排名分数）的流动。这种表示允许代理组合特定于意图的搜索策略，并通过用户反馈直接对其进行优化。例如，关于新兴后续工作的查询可以强调近期关键词搜索和前向引用扩展，而关于强基线的查询则可以优先考虑基于引用的扩展和基准过滤。为了优化性能，我们使用两阶段监督流水线训练 PaperPilot-9B 模型。我们首先从强大的教师模型收集高质量的工作流轨迹，涵盖五个搜索方向：前驱、后继、兄弟、基准和综述。然后，我们通过将成功的工作流与常见的结构性和语义性错误配对来构建偏好对，并使用监督微调后接偏好优化来优化模型。

我们在一个留出评估集上评估 PaperPilot-9B，其中每个案例固定锚点论文、用户查询、搜索方向、隐藏的黄金论文集和交互协议，以实现不同系统间的可重复比较。我们评估单轮和多轮设定：在单轮设定中，代理直接从原始查询搜索；在多轮设定中，基于 LLM 的用户模拟器在泄漏控制协议下提供澄清反馈。

实验表明，在多轮交互下，PaperPilot-9B 相对于基础 Qwen3.5-9B 工具集代理有所改进，Hit@5 从 58.0 提升至 77.0，MRR 从 47.5 提升至 59.4，nDCG@10 从 26.8 提升至 32.5，同时工作流执行错误从 9.5% 降至 0%。这些结果表明，显式、可编辑的搜索工作流为将文献搜索代理与复杂的科学意图对齐提供了一种有效且可控的接口。

总之，我们的贡献有两方面。首先，我们将多轮科学文献搜索形式化为工作流归纳，其中用户反馈被转化为对可执行 DAG 结构搜索工作流的编辑。其次，我们引入并通过工作流模仿和偏好优化训练 PaperPilot-9B，展示了在可重复的多轮论文搜索基准上改进的检索质量、工作流稳定性和成本效率。

## 2 PaperPilot

图 2：PaperPilot 概览。给定一篇锚点论文和用户搜索意图，代理从预定义工具集归纳出 DAG 结构的搜索工作流，在文献语料库上执行该工作流，并通过多轮用户交互优化工作流。

### 2.1 任务形式化

我们将多轮智能体论文搜索形式化为一个交互式工作流构建问题。给定一篇锚点论文 $p_{0}$ 和用户查询 $q$，代理旨在检索一个排名列表的论文，以满足用户不断演化的搜索意图，例如查找后续工作、识别强基线、比较相关方法或探索相邻研究方向。

在每一轮，代理观察当前搜索上下文，包括锚点论文、用户查询、候选论文集和交互历史。然后，它要么提出一个澄清问题，要么应用论文搜索算子来扩展、过滤、评分、重排序或解释候选论文。在有限的交互轮数后，代理输出一个排序的论文列表 $\hat{\mathcal{P}}$，可选地附带证据片段或关系图。目标是最大化论文相关性、对请求搜索意图的覆盖、与用户反馈的一致性以及交互效率。状态、动作空间、转移函数和效用目标的形式化完整描述见附录 A.2 (https://arxiv.org/html/2607.00597#A1.SS2)。

### 2.2 论文搜索作为工作流归纳

PaperPilot 不依赖固定的检索流水线，而是将论文搜索视为一个工作流归纳问题。给定查询 $q$ 和锚点论文 $p_{0}$，代理通过从预定义工具集中选择工具、配置其参数并将它们组合成 DAG 来构建一个可执行的搜索工作流。DAG 中的每个节点对应一个算子调用，每条边代表中间输出（如论文集合、分数、关键词、证据或关系图）的流动。

这种形式化为代理提供了两种灵活性。首先，它可以选择哪些算子与当前搜索意图相关。例如，一个要求“强基线”的查询可能强调引用扩展和细粒度重排序，而一个要求“新兴后续工作”的查询可能更依赖近期关键词搜索和引用追踪。其次，代理可以调整算子参数，如搜索关键词、引用方向、过滤谓词、评分公式和重排序标准，而不是执行一刀切的流水线。

**工具集。** 我们定义一个论文搜索算子库，记为 PaperPilot-Toolset。每个算子都有类型化的输入和输出签名，使代理能够将算子组合成有效的工作流。该工具集涵盖来源获取、集合操作、过滤、评分、重排序、关键词生成、证据抽取和工作流构建。PaperPilot-Toolset 的详细内容见附录 A.1 (https://arxiv.org/html/2607.00597#A1.SS1)。

**工作流表示。** 一个工作流表示为 DAG：$G = (\mathcal{V}, \mathcal{E})$，其中每个节点 $v_i \in \mathcal{V}$ 是一个实例化的算子

$$v_i = (o_i, \theta_i), \quad o_i \in \textsc{PaperPilot}\textit{-Toolset},$$

并且 $\theta_i$ 表示其参数。一条边 $(v_i, v_j) \in \mathcal{E}$ 表示节点 $v_i$ 的输出被用作节点 $v_j$ 的输入。我们要求工作流是类型一致的：每个前驱节点的输出类型必须与后继节点期望的输入类型匹配。最终节点产生一个排序的论文列表、一个附有证据的论文列表或一个结构化的图，具体取决于用户查询。

**基线固定工作流。** 为了隔离自适应工作流归纳的好处，我们还定义了一个固定工作流基线，记为 PaperPilot-Workflow。该基线使用相同的工具集，但对每个查询执行静态流水线。一个典型的固定工作流首先从查询生成搜索关键词，通过关键词搜索和引用扩展检索论文，对候选集进行并集和去重，应用通用评分函数，使用 LLM 对顶部候选进行重排序，并为最终输出提取证据。与 PaperPilot 不同，PaperPilot-Workflow 不会跨搜索意图调整其结构或参数。

**展开。** 在每一轮，PaperPilot 根据当前状态 $s_t$ 执行工作流展开。代理首先通过从 PaperPilot-Toolset 中选择算子并根据查询、锚点论文、当前候选集和反馈历史分配参数来归纳工作流 $G_t$。然后，它逐节点执行工作流。中间输出被缓存，可在后续轮次中重用。执行后，代理向用户展示一个排序的论文集、支持证据或一个澄清问题。

形式上，在轮次 $t$ 的展开由下式给出：

$$G_t = \mathrm{Induce}(q, p_0, \mathcal{P}_t, \mathcal{H}_t), \quad (\mathcal{P}_{t+1}, y_t) = \mathrm{Execute}(G_t, \mathcal{P}_t),$$

其中 $y_t$ 表示代理的可见响应，如排序列表、论文比较或澄清。然后用户提供反馈 $f_t$，状态通过 $\mathcal{T}$ 更新。

**交互驱动的优化。** 多轮搜索不仅仅是重复检索。它是一个迭代工作流编辑过程：

$$G_{t+1} = \mathrm{Refine}(G_t, f_t, \mathcal{H}_{t+1}),$$

其中代理根据用户反馈更新工作流结构、算子参数和中间候选集。这允许 PaperPilot 逐步将搜索过程与用户不断演化的意图对齐。

**最终输出。** 经过 $T$ 轮后，PaperPilot 返回一个最终排序列表 $\hat{\mathcal{P}}$，并附有解释每篇论文为何相关的证据。

### 2.3 训练

我们使用两阶段监督流水线训练 PaperPilot，该流水线结合了工作流模仿和基于损坏工作流的偏好优化。目标是教会模型生成有效的 DAG 结构搜索工作流，并偏好那些更符合用户搜索意图且避免常见结构错误的工作流。

**训练数据构建。** 我们从 2,723 个锚点-查询训练案例开始，涵盖五个论文搜索方向。对于每个案例，一个强大的教师模型生成完整的搜索轨迹。我们通过保留那些黄金论文出现在前 5 名结果中且满足方向特定成功条件的轮次来提取高质量的工作流监督示例。这产生了 5,540 个工作流监督示例用于监督微调。

然后我们构建偏好数据，将每个成功的工作流视为选择响应，并通过工作流损坏生成拒绝响应。这些损坏