Das Management des schnell wachsenden wissenschaftlichen Korpus stellt erhebliche Herausforderungen in Bezug auf Darstellung, Schlussfolgerungen und effiziente Analyse dar. Ein ideales System sollte strukturiertes Wissensmanagement, agentische Planung und interpretierbare Ausführung vereinen, um vielfältige wissenschaftliche Abfragen – von der Recherche bis zur Wissensentdeckung und -generierung – in großem Maßstab zu unterstützen. Leider scheitern bestehende RAG- und Dokumentenanalyssysteme daran, alle Abfragetypen gleichzeitig zu erreichen. Zu diesem Zweck schlagen wir AgenticScholar vor, ein agentisches wissenschaftliches Datenmanagementsystem, das eine strukturbewusste Wissensdarstellungsebene, eine LLM-zentrierte hybride Abfrageplanungsebene und eine einheitliche Ausführungsebene mit komposierbaren Operatoren integriert. AgenticScholar übersetzt autonom natürliche Sprachabfragen in ausführbare DAG-Pläne, wodurch eine durchgängige Schlussfolgerung über multimodale wissenschaftliche Daten ermöglicht wird. Umfangreiche Experimente zeigen, dass AgenticScholar bestehende Systeme in Bezug auf Effektivität, Effizienz und Interpretierbarkeit erheblich übertrifft und eine praktische Grundlage für zukünftige Forschungen zum agentischen wissenschaftlichen Datenmanagement bietet.
Lan et al. (Mon,) haben diese Frage untersucht.