科学领域的代理型AI实验

arXiv cs.AI 论文
agentic-ai scientific-workflows large-language-models time-series presentation-analysis hybrid-architecture

摘要

本文介绍了两个代理型AI框架：DeepTS/DeepCollector和DeepScribe，它们利用混合本地-云端架构和大语言模型，自动化科学工作流程，包括时间序列数据整理以及将物理讲座转化为结构化报告。

arXiv:2605.26305v1 公告类型：新 摘要：本文详细介绍了两个用于开发自主代理型AI以支持科学工作流程的新型框架。两个系统均采用基于Google Colab的“本地身体、远程大脑”混合架构，利用基于Python的本地编排器调用大语言模型（LLM）云端后端。第一个代理DeepTS/DeepCollector可自动进行大规模时间序列数据集的整理、提取和去重。第二个代理DeepScribe是一款自主演示分析器，能够将视觉密集、数学复杂的物理讲座转化为结构化科学报告。通过实际的系统工程——如粒度属性提取（Cellular RAG）、远程数据检查和分布式并发控制——我们展示了代理型AI如何克服当前最先进系统在上下文和推理方面的限制，从而严格支持科学工作流程。最后，我们概述了DeepTS的泛化以支持深度知识图谱，并讨论了这一概念性方法在高能物理（DeepQCD）中的应用。
查看原文
查看缓存全文

缓存时间: 2026/05/27 09:03 

# 科学领域中的自主AI代理实验
来源：https://arxiv.org/abs/2605.26305
查看PDF（https://arxiv.org/pdf/2605.26305）

> 摘要：本文详述了两种用于在科学工作流中开发自主、主动式AI代理的新颖框架。两个系统均采用通过Google Colab实现的混合"本地身体-远程大脑"架构，利用基于Python的本地编排器调用大型语言模型（LLM）云端后端。第一个代理DeepTS/DeepCollector，自动完成时间序列数据集的大规模整理、提取与去重。第二个代理DeepScribe，是一款自主演示文稿分析器，能将视觉密集、数学复杂的物理讲座转化为结构化的科学报告。通过实际的系统工程——如细粒度属性提取（细胞级RAG）、远程数据检查以及分布式并发控制——我们展示了自主AI代理如何克服当前最先进系统的上下文与推理局限，从而严谨地支持科学工作流。最后，我们概述了将DeepTS泛化以支持深度知识图谱的方案，并讨论了这种概念性方法在高能物理（DeepQCD）中的应用。

## 提交历史

来自：Geoffrey Fox [查看邮件](https://arxiv.org/show-email/85017892/2605.26305)  
**[v1]** 2026年5月25日星期一 19:57:57 UTC（1,028 KB）

相似文章

@dair_ai: https://x.com/dair_ai/status/2061104052818108476

X AI KOLs Following

三篇值得关注的人工智能论文综述：SkillOpt 将技能文档视为可训练参数以优化冻结的智能体；一种新方法将智能体工作流编译成模型权重，实现100倍成本降低；而 AutoScientists 引入了一个去中心化智能体团队，无需中央规划者即可进行长期科学研究。

观点：Agentic AI系统是实现AGI的可预见路径

arXiv cs.AI

本文认为，单一模型的单体型扩展不足以实现AGI，并提出具有多智能体协作的Agentic AI是必要的范式，理论上证明了代理系统在泛化和样本效率上具有指数级优势。