Multi-Agent Literature Review

一个将“学术综述生成”拆解为规划、检索、事实抽取、写作、审稿与编辑的多智能体研究工作流。

The goal is not to make one LLM write longer, but to make AI research more controllable, evidence-grounded and reviewable.

Why

单一 LLM 直接承担长篇学术综述时，经常面临：

• 引用与事实幻觉风险
• 长文结构容易失控
• 研究过程成为黑箱
• 用户只能在最终结果生成后发现方向错误
• 模型写作容易过度依赖自身参数记忆，而非真实文献证据

与其继续优化“一次生成”，不如重新设计 AI 完成研究任务的工作流。

这个项目把综述任务拆成 Plan → Retrieve → Extract → Write → Review → Edit，让人在关键节点可以介入，同时把写作建立在真实文献检索和结构化信息抽取之上。

Product Experience

以下截图来自一次真实完整运行（研究主题：基于神经网络的计算全息）。

1. Define the Research Question

用户首先定义研究问题，而不是直接要求模型生成全文。Supervisor 根据主题生成 Core Thesis、Section Outline、Search Query 与 Writing Goal。

2. Review Before Generation

AI 先生成完整研究规划，再由用户确认研究结构。

在低成本规划阶段暴露错误，比整篇报告生成以后再返工更合理。

3. Human-in-the-loop

Human-in-the-loop 不是系统失败后的补救措施，而是正常工作流的一部分。用户可以在启动检索、生成等高成本任务前修改章节结构、Search Query 与 Writing Goal，随后才启动 Multi-Agent Research。

4. Research Complete

系统完成检索、结构化抽取、章节写作、审稿与最终编辑，输出带真实参考文献的 Markdown 学术综述。当前实测流程已完整跑通。

How It Works

flowchart TD
    A[Research Topic] --> B[Supervisor]
    B --> C[Core Thesis + Outline + Search Strategy]
    C --> D[Human-in-the-loop Review]
    D --> E[Parallel Workers]
    E --> F[Scout: Retrieve & Extract Evidence]
    F --> G[Writer: Draft Sections]
    G --> H[Reviewer]
    H -->|Revision Required| E
    H -->|Approved / Max Iterations| I[Editor]
    I --> J[Markdown Literature Review]

Loading

Component	Responsibility
Supervisor	规划核心论点、大纲、检索策略
Scout	OpenAlex 检索、相关性过滤、结构化信息抽取
Writer	根据文献证据完成章节生成
Reviewer	检查事实支撑、引用、综合分析质量
Editor	合并章节、语言统一、生成参考文献

Agent 的划分对应研究工作流中的不同职责和决策节点，而不是“Agent 越多越高级”。

Product Decisions

1. Plan before generation

先确认研究结构，再进入高成本的检索和生成阶段。规划阶段便宜且快速，错误在此时被拦下的代价最低——这是 Human-in-the-loop 被放在执行之前的原因。

2. Retrieval-grounded writing

Scout 先从 OpenAlex 获取真实论文，再从摘要和元数据中结构化提取 Research Purpose、Method / Model / Dataset、Findings 与 Limitations，Writer 基于这些信息完成生成。以此为写作增加事实约束、降低幻觉风险，而非单纯依赖模型参数记忆。

3. Review as a workflow

Reviewer 是 LangGraph 的正式流程节点，未通过审核时带着修改意见进入新的迭代，而不是在最后额外加一句 Please review the answer.

Tech Stack

层	技术
UI	Streamlit
Orchestration	LangGraph StateGraph / Send
Agents	Supervisor / Scout / Writer / Reviewer / Editor
Retrieval	OpenAlex
LLM	OpenAI-compatible Chat Completions API
Concurrency	asyncio
State	TypedDict / Pydantic
Output	Markdown

requirements.txt 中仍保留 FastAPI、Redis、Milvus 等早期脚手架依赖，当前主流程未使用；只运行本项目时无需关注。

Quick Start

环境要求：Python 3.10+

git clone https://github.com/OnePlus-X-code/literature_review.git
cd literature_review

python -m venv .venv

Windows:

.venv\Scripts\activate

macOS / Linux:

source .venv/bin/activate

安装依赖：

pip install -r requirements.txt

在项目根目录创建 .env：

DASHSCOPE_API_KEY=your_api_key
DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
OPENAI_MODEL=qwen-max

运行 Web Demo：

streamlit run app.py

或使用 CLI 入口（在 research_plan.txt 中填入课题后）：

python main.py

Current Limitations

• 当前 Streamlit UI 尚未接入 LangGraph event streaming，执行页面不是 Agent 实时 telemetry。
• Reviewer 未通过后，目前会重新执行章节流程，而不是只针对失败段落进行精确局部修订。
• 当前事实约束主要来自论文摘要和元数据，不是全文级文献事实验证。
• 当前是产品 / 研究原型，没有用户系统、数据库以及完整生产环境能力。

Repository Structure

├── app.py                    # Streamlit Demo UI（交互层：规划确认 + 执行 + 报告展示）
├── main.py                   # CLI 入口（读取 research_plan.txt，终端内人工确认大纲）
├── research_plan.txt         # CLI 配置：研究课题 + 可选大纲草案
├── literature_review/        # 核心包
│   ├── graph.py              # LangGraph 工作流（交互图 + 无头执行图）
│   ├── state.py              # ResearchState（TypedDict）与实体模型（Pydantic）
│   ├── agents/               # supervisor / scout / writer / reviewer / editor
│   └── tools/                # OpenAlex 检索客户端
├── docs/assets/              # 本文档中的真实运行截图
└── requirements.txt

Author

Chen Yijia

GitHub: https://github.com/OnePlus-X-code